TITRE De L'étude

CARTOGRAPHIE FINE ET CONTINUE DE LA QUALITE SONORE DES LIEUX ET DES PARCOURS DANS L'ESPACE URBAIN

GRAFIC

Rapport d’opération de recherche

En partenariat avec :

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 1

REMERCIEMENTS

Pilote du projet Laboratoire MRTE Université de Cergy Pontoise: Responsable scientifique Catherine LAVANDIER, en collaboration avec Pierre AUMOND ingénieur de recherche.

Sous-contractant UGENT: Responsable scientifique Dick BOTTELDOOREN en collaboration avec Bert DE COENSEL, avec la participation de Talis VERTRIEST et de Michiel BOES.

Partenaire IFSTTAR: Responsable scientifique Arnaud CAN, en collaboration avec Pierre AUMOND, Guiral DESNOS et Sven MICHEL.

Partenaire BRUITPARIF: Responsable scientifique Fanny MIETLICKI, en collaboration avec Carlos RIBEIRO et Matthieu SINEAU, avec la participation de Philippe NGUYEN et Olivier GENRET.

Soutien de la MAIRIE de PARIS avec Kevin IBTATEN et Philippe MERCIER

Collaboration hors cadre du financement ADEME avec Damien MASSON et Victor SANTONI de l’Université de Cergy Pontoise et F. MASSON et B. LEANDRO de l’Université Tres de Febrero en Argentine.

CITATION DE CE RAPPORT

C. LAVANDIER, P. AUMOND, A. CAN, B. DE COENSEL, D. BOTTELDOOREN, C. RIBEIRO, 2017, Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain, 87 pages.

Cet ouvrage est disponible en ligne www.ademe.fr/mediatheque

Toute représentation ou reproduction intégrale ou partielle faite sans le consentement de l’auteur ou de ses ayants droit ou ayants cause est illicite selon le Code de la propriété intellectuelle (art. L 122-4) et constitue une contrefaçon réprimée par le Code pénal. Seules sont autorisées (art. 122-5) les copies ou reproductions strictement réservées à l’usage privé de copiste et non destinées à une utilisation collective, ainsi que les analyses et courtes citations justifiées par le caractère critique, pédagogique ou d’information de l’œuvre à laquelle elles sont incorporées, sous réserve, toutefois, du respect des dispositions des articles L 122-10 à L 122-12 du même Code, relatives à la reproduction par reprographie.

Ce document est diffusé par l’ADEME 20, avenue du Grésillé BP 90406 | 49004 Angers Cedex 01

Numéro de contrat : 13 17 C 0028

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 2

Table des matières

1. Contexte et objectifs du projet ...... 6

2. Plan de la recherche et coordination ...... 7 2.1. Programme de travail ...... 7 2.2. Tâche de coordination SP0 ...... 8 2.3. Publications ...... 9

3. Acquisition des mesures : SP1 ...... 9 3.1. T1.1: Stockage des données du réseau de mesures ...... 10 3.1.1.Fixed measurement stations ...... 10 3.1.2.Mobile measurement stations ...... 12 3.1.3.Acoustic indicators ...... 13 3.2. T1.2 Déploiement du réseau de capteurs ...... 15 3.2.1.Le territoire d’étude ...... 15 3.2.2.Le réseau de stations de mesures fixes du bruit ...... 16 3.2.3.Logistique et maintenance ...... 18 3.2.4.Diffusion et stockage des données de mesures fixes ...... 19 3.2.5.Réalisation des mesures mobiles ...... 19

4. Collecte des données perceptives: SP2 ...... 20 4.1. Etude des changements d'ambiance sonore in situ (T2.1) ...... 20 4.1.1.Méthodologie ...... 20 4.1.1.1.Zone d’étude ...... 20 4.1.1.2.Description détaillée du parcours ...... 22 4.1.1.3.Questionnaire ...... 23 4.1.2.Evaluation des situations sonores ...... 23 4.1.2.1.Comparaison entre Cart_ASUR et GRAFIC ...... 23 4.1.2.2.Variabilité entre les participants et les passages ...... 25 4.1.2.3.Analyse des données perceptives ...... 26 4.1.2.4.Analyses des données physiques ...... 27 4.1.2.5.Influence de la direction d’arrivée ...... 28 4.1.3. Evaluation des parcours sonores entre deux situations ...... 29 4.1.4. Evaluation globale des trois trajets ...... 30

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 3

4.1.5. Parcours commentés ...... 32 4.1.6. Conclusion sur les évaluations des situations et des parcours sonores in situ ...... 32 4.2. Etude des changements d'ambiance sonore en laboratoire (T2.2) ...... 32 4.2.1. Experience n°1 stimuli uniquement audio ...... 32 4.2.2. Expérience n°2 stimuli audio-visuels ...... 34 4.2.3. Influence des conditions expérimentales ...... 36

5. Représentations cartographiques (SP3): ...... 38 5.1. T3.1 Modélisation de la qualité sonore ...... 38 5.1.1. Modèle de l’agrément sonore en un point du parcours ...... 39 5.1.1.1.Modèles perceptifs ...... 39 5.1.1.2.Modèles physiques ...... 39 5.1.1.3.Application de ces modèles dans un contexte cartographique ...... 40 5.1.1.4.Conclusion ...... 41 5.1.2. Modèle de l’agrément sonore global du parcours ...... 41 5.1.2.1.Trajets très courts (~1 minute) ...... 42 5.1.2.2.Trajets médians (3 minutes) ...... 42 5.1.2.3.Trajets longs (> 10 minutes) ...... 43 5.1.2.4.Conclusion ...... 44 5.2. Cartographie des grandeurs physiques à partir des mesures collectées (T3.2) ...... 44 5.2.1. Partie 1 : Correction des données géo-référencées ...... 45 5.2.2. Partie 2 : Comparaison entre mesures fixes et mobiles ...... 46 5.2.2.1.Contexte ...... 46 5.2.2.2.Représentativité spatiale des mesures mobiles ...... 47 5.2.2.3.Représentativité temporelle des mesures mobiles ...... 48 5.2.3. Partie 3 : Relations entre indicateurs acoustiques ...... 53 5.2.3.1.Régression linéaire ...... 53 5.2.3.2.Relations avancées ...... 57 5.2.3.3.Discussion ...... 59 5.3. Méthodes de classifications ...... 59 5.3.1. Travaux de l’Université de Gand ...... 59 5.3.1.1.Human mimicking soundscape for clustering analysis ...... 59 5.3.1.2.Big data analysis approach for detecting outliers ...... 63 5.3.1.3.Conclusion ...... 65

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 4

5.3.2. Travaux de l’Ifsttar ...... 65 5.3.2.1.Classification de référence ...... 66 5.3.2.2.Extraction des données SIG pour la classification morphologique ...... 68 5.3.2.3.Réduction du nombre de paramètres morphologiques ...... 70 5.3.2.4.Comparaison entre classifications morphologiques et de référence ...... 71 5.3.3. Comparaison des deux classifications proposées ...... 72 5.4. Production des cartes sonores (T3.3) ...... 72 5.4.1. Expérimentation ...... 72 5.4.1.1.Stations mobiles ...... 72 5.4.1.2.Stations fixes ...... 76 5.4.2. Interpolation temporelle ...... 76 5.4.2.1.Analyse statistique ...... 76 5.4.2.2.Interpolation ...... 77 5.4.3. Interpolation spatiale ...... 78 5.4.3.1.Analyse statistique ...... 78 5.4.3.2.Interpolation ...... 80 5.4.4. Application à une campagne de mesures participative ...... 80 5.4.4.1.Méthode...... 80 5.4.4.2.Représentation visuelle...... 81 5.4.4.3.Discussion ...... 82

6. Bilan / Principaux résultats obtenus ...... 83

Références bibliographiques ...... 84

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 5

1. Contexte et objectifs du projet

Cette opération de recherche s’inscrit dans les préoccupations de l’ADEME et répond à l’appel à proposition : « Urbanisme durable et environnement sonore: outils, guides, solutions techniques ou matériaux » sur la 1ère thématique « Caractérisation, quantification et qualification des ambiances sonores en fonction des échelles d'intervention ou leviers d'action », en lien avec la 2ème thématique « Développement d'outils de dialogue entre le monde du son et de l'aménagement urbain ».

La cartographie est identifiée comme un outil très efficace pour communiquer sur les niveaux de bruit en milieu urbain. Pour produire ces cartes, la réglementation conseille une approche basée sur un relevé des données trafic et une identification des sources, couplées à un calcul de propagation.

En parallèle, des méthodes nouvelles, basées sur des mesures mobiles géo-référencées, ont vu le jour. Elles ont l’avantage de considérer l’intégralité des sources sonores, de couvrir l’espace avec une très bonne résolution spatiale, et de diminuer les coûts associés à la production des cartes. Ces méthodes nouvelles s'intéressent donc à la caractérisation physique de l'espace sonore urbain de manière continue, permettant ainsi de caractériser des parcours sonores.

D’autre part, des travaux récents ont mis en évidence qu’au-delà la caractérisation des niveaux physiques, il était nécessaire de mettre au point des outils qui s’appuient davantage sur les aspects qualitatifs des environnements sonores, qui ne peuvent être réduits à leur simple dimension énergétique. Par exemple, le contenu spectral des sources sonores, et les variations des niveaux de bruit à court terme, ont une influence directe sur la perception des sources et sur l’appréciation qui en résulte. De plus, la dimension visuelle joue également un rôle, dans la mesure où un désagrément peut résulter d’une inadéquation entre environnements sonores et visuels.

Ces travaux, liant qualité sonore urbaine et caractéristiques physiques, se sont surtout intéressés à des situations urbaines typées (boulevards, parcs, rues circulées, rues piétonnes etc.) mais pas encore ou peu, à l'étude des parcours sonores. Ainsi, la mise au point d’outils d’aide à la décision et d’outils permettant une caractérisation des environnements sonores urbains, qui soient cohérents du point de vue qualitatif, est un enjeu majeur. Or, les deux avancées que sont la cartographie des niveaux de bruit s’appuyant sur des relevés de mesures mobiles, et la caractérisation des environnements sonores du point de vue perceptif, ne se sont à ce jour pas rencontrées.

L’objectif de cette recherche est de combiner deux approches novatrices et récentes, pour proposer des pistes de réflexion vers une cartographie continue des environnements sonores urbains, cohérente du point de vue perceptif et du point de vue physique.

Pour cela, l’opération de recherche s’appuiera sur : - un relevé continu des niveaux de bruit, effectué sur la base de mesures fixes et mobiles géo-référencées, - une analyse perceptive, en laboratoire et sur site, pour caractériser des parcours sonores urbains entre des lieux dont les caractéristiques sonores (perceptives et acoustiques) sont bien maîtrisées.

L’opération se limitera à l’étude des environnements sonores en milieu extérieur urbain, en particulier au travers de parcours piétonniers. En effet, l’étude des impacts acoustiques en milieu intérieur, sur le lieu d’habitation, fait appel à d’autre mécanismes et nécessite en général d’être évaluée sur des périodes beaucoup longues. En outre, l’étude des impacts en milieu intérieur dépend énormément de la qualité de la construction, ce que les urbanistes ou décideurs ne maîtrisent pas dans un espace public déjà urbanisé.

Les objectifs scientifiques et techniques du projet résident principalement dans les points suivants :

 améliorer l’état des connaissances sur la compréhension des facteurs influençant la qualité des environnements sonores en milieu extérieur,

 progresser dans l'identification automatique des objets sonores,

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 6

 progresser sur la compréhension des liens existant entre environnements sonores et visuels,

 comprendre les mécanismes perceptifs associés aux changements d’ambiance en milieu urbain,

 améliorer la pertinence des indicateurs acoustiques proposés afin d'affiner leurs corrélations avec les résultats des analyses perceptives, principalement en tenant compte des trajets urbains,

 proposer des méthodes permettant d’aller vers une cartographie fine et continue, quantitative et qualitative.

2. Plan de la recherche et coordination

L’étude bibliographique réalisée préalablement montre que les avancées technologiques dans l'utilisation des réseaux de mesures fixes et mobiles, associées aux progrès sur la compréhension des phénomènes perceptifs, devraient permettre de mieux communiquer grâce à des représentations cartographiques adaptées aux promeneurs urbains. L’organisation de l’opération de recherche est décrite ci-après.

2.1. Programme de travail

Le projet est décomposé en 4 sous-projets et 7 tâches :

Sous-projet SP0 : Coordination Sous-projet SP1 : Collecte des données physiques (niveaux sonores). Ce sous-projet comprend 2 tâches Sous-projet SP2 : Collecte des données perceptives. Ce sous-projet comprend 2 tâches Sous-projet SP3 : Interpolation cartographique des mesures physiques et perceptives. Ce sous-projet comprend 3 tâches

Tableau 1: Chronogramme à 46 mois avec inversion des tâches 2.1 et 2.2 par rapport au planning initial.

Partenaires Chronogramme

Année 1 Année 2 Année 3 Année 4

C. 1 2 3 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48

UCP

UGent

Ifsttar

Bruitparif

ST ST MRTE Tâche 0 F Tâche 1.1 R L Tâche 1.2 L Tâche 2.1 L Tâche 2.2 L Tâche 3.1 R L Tâche 3.2 L Tâche 3.3 L

Réunion de tous les partenaires R : Rapports intermédiaires vers les autres partenaires Responsable de la tâche L : Livrables Partenaire (ou sous-traitant) associé à la tâche F : Rapport Final

Si l'on regarde le planning prévisionnel, le projet a tenu dans les temps. Les mesures fixes et mobiles ont été complètement finalisées en septembre 2015 (voir § 3). Les tâches 2.1 et 2.2 ont été inversées et ont été toutes deux finalisées en décembre 2015 (voir § 4). Les résultats sur la tâche 2.1 ont montré que le chemin pour arriver à un point a peu d’influence sur l’évaluation perceptive de ce lieu (sauf s’il existe un fort et brusque changement d’ambiance sonore, ce qui est peu courant en ville – voir §4.1.2.5). Le sens du parcours a par contre une influence sur la qualité sonore d’un parcours, à condition que ce parcours soit

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 7

court. Dès que ce parcours s’allonge, cette dimension mnésique semble disparaître – voir §4.1.3). L’UCP, l’Ifsttar et l’Université de Gand ont donc décidé de réorienter le travail sur la classification des lieux en ville afin de bien connaître leur évaluation perceptive et de ne pas trop passer de temps sur la caractérisation des ruptures d’ambiances. Ces classifications ont permis de proposer des cartographies qui prennent en compte les qualités sonores des différents moments de la journée.

2.2. Tâche de coordination SP0

Le but de ce sous projet a été de coordonner les activités de tous les partenaires et de vérifier que les informations circulaient bien entre eux. De plus un travail de coordination entre les projets GRAFIC et Cart_ASUR a été effectué pour que les projets de recherche s'enrichissent les uns vis-à-vis des autres. Ainsi, des réunions communes ont été organisées. On peut noter que 3 réunions plénières ont été organisées le 18 février 2014 au démarrage du projet, le 14 septembre 2014, le 2 mars 2015, le 30 septembre 2015 et le 20 juin 2016. Ces trois dernières réunions ont été communes avec les partenaires du projet Cart_ASUR. Deux autres réunions les 2 décembre 2016 et le 13 mars 2017 ont été organisées dans les locaux de Bruitparif. La réunion du 13 mars a été poursuivie par un atelier de concertation et de restitution, organisé à la maison du Paris Durable entre 18h et 21h. Il a rassemblé une dizaine de participants. Enfin, une réunion de clôture de projet a été organisée dans les locaux de l’ADEME à Paris, en vidéo conférence avec l’ADEME à Nice, le 28 septembre 2017.

Tous les comptes rendus de réunions et les documents relatifs au projet ont été partagés dans un espace de stockage privé partagé par tous les partenaires.

Tableau 2: Planning des livrables du projet avec les modifications par rapport au planning initial

TABLEAU des LIVRABLES Date de fourniture Partenaire Tâche Intitulé et nature des livrables et des jalons nombre de mois à responsable du compter de T0 Rapport/Livrable 0. Réunions de coordination Réunion de lancement de projet – 1ère coordination + 1 UCP (LMRTE) 2ère coordination, 3ème, 4ème, 5ème coordination +8, +14, 21, 28 UCP (LMRTE) 5ème et 6ème coordination + 32 +38 UCP (LMRTE) Séminaire de fin de programme + 46 UCP (LMRTE) 1.1 Stockage des données du réseau de mesures R - Définition du cahier des charges vers la tâche 1.2 + 4 UCP (LMRTE) L - Livrable + 18 → + 21 UCP (LMRTE) 1.2 Déploiement du réseau L - Livrable + 18 → + 21 BRUITPARF 2.1 Etude des changements d'ambiance en laboratoire L - Analyse des tests visuels et sonores + 14 → + 24 UCP (ETIS-MRTE) 2.2 Validation in situ des limites des espaces sonores homogènes et des espaces de transition L - Analyse de la perception multimodale vers la tâche 3.1 + 22 → + 14 UCP (LMRTE) 3.1 Modélisation de la qualité sonore des environnements les uns relativement aux autres R - Modèle de prédiction vers la tâche 3.3 + 30 UCP (LMRTE) L - Livrable + 34 UCP (LMRTE) 3.2 Cartographie des grandeurs physiques sur la base des mesures collectées L - Proposition de carte acoustique + 44 IFSTTAR 3.3 Représentation cartographique de la qualité sonore des trajets parcourus L - Proposition de carte perceptive + 44 IFSTTAR

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 8

2.3. Publications

DE COENSEL B., SUN K., WEI W., VAN RENTERGHEM T., SINEAU M., RIBEIRO C., CAN A., LAVANDIER C., BOTTELDOOREN D., "Dynamic noise mapping based on fixed and mobile sound measurements", Actes du Congrès Euro Noise, pp. 2339-2344, Maastricht, Pays-Bas, 2015.

CAN A, AUMOND P, MICHEL S, DE COENSEL B, RIBEIRO C, BOTTELDOOREN D, LAVANDIER C. Comparison of noise indicators in an urban context, Proceedings of Internoise 2016, Hambourg (Allemagne), 21-24 August, 2016.

AUMOND P., MASSON F., LEANDRO B., LAVANDIER C., DE COENSEL B., BOTTELDOOREN D., CAN A., RIBEIRO C. Influence of experimental conditions on sound pleasantness evaluations, Proceedings of ICA 2016, Buenos-Aires (Argentine), 5-9 September 2016.

AUMOND P., CAN A., DE COENSEL B., BOTTELDOOREN D, RIBEIRO C, LAVANDIER C., Sound pleasantness evaluation of pedestrian walks in urban sound environments, Proceedings of ICA 2016, Buenos-Aires (Argentine), 5-9 September 2016.

BOTTELDOOREN D., VERTRIEST T., BOES M., DE COENSEL B., AUMOND P., CAN A., RIBEIRO C., LAVANDIER C., Data mining on urban sound sensor networks. Proceedings of ICA 2016, Buenos-Aires (Argentine), 5-9 September 2016.

AUMOND P., CAN A., DE COENSEL B., RIBEIRO C., BOTTELDOOREN D., LAVANDIER C., “Global and Continuous Pleasantness Estimation of the Soundscape Perceived during Walking Trips through Urban Environments”, Applied Science, Vol. 7(2), n°144, pp.1-16 (2017).

AUMOND P., CAN A., LAVANDIER C., DE COENSEL B., BOTTELDOOREN D., RIBEIRO C. Modeling soundscape pleasantness using perceptive assessments and acoustic measurements along paths in urban context, Acta Acustica united with Acustica. Vol. 103(3), pp. 430-443, (2017).

AUMOND P., CAN A., MALLET V., DE COENSEL B, RIBEIRO C, BOTTELDOOREN D, LAVANDIER C., Acoustic mapping based on measurements: space and time interpolation, Proceedings of Internoise 2017, Hong Kong, 27-30 August, 2017.

CAN A., AUMOND P., DE COENSEL B., RIBEIRO C., BOTTELDOOREN D., LAVANDIER C., Analysis and probabilistic modelling of the urban sound levels temporal variability, soumis à Acta Acustica en avril 2017.

AUMOND P., CAN A., MALLET V., DE COENSEL B, RIBEIRO C, BOTTELDOOREN D, LAVANDIER C., Kriging-based spatial interpolation of mobile measurements for sound level mapping, soumis au Journal of Acoustical society of America en octobre 2017.

LAVANDIER C., AUMOND P., CAN A., RIBEIRO C. Modélisation et représentation de la qualité des environnements sonores en ville et pour le piéton. Acoustique et Technique, numéro spécial assises du bruit, novembre 2017.

3. Acquisition des mesures : SP1

Cette tâche a été réalisée par l’équipe belge de l’Université de Gand, dans le cadre d’une sous-traitance. Cette équipe est spécialisée dans le déploiement de capteurs sonores dans l’espace urbain et dans l’exploitation de données. Les travaux réalisés par cette équipe sont présentés ici en anglais.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 9

3.1. T1.1: Stockage des données du réseau de mesures

The goal of this task is to define the data specifications and to manage the measurement data collection needed for the project. This concerns the assembly and calibration of the sound measurement devices, the installation of a server and database for storing the data, the development of software for the management and visualization of the data capture process, and the definition and implementation of a list of indicators to be calculated on the basis of the raw gathered data.

3.1.1. Fixed measurement stations

In total, 25 cost-effective fixed measurement devices were assembled, and were made available for the project. Figure 1 shows an example of the internals of such a measurement device (left), and how it is placed on a windowsill (right). The measurement devices consist of an ALIX 3D3 single-board computer, an industrial grade 8 GByte Compact-Flash card, a Knowles microphone with 3D-printed holder and rain screen, and a windscreen with a diameter of 9 cm. The measurement devices are configured to connect to the fixed internet network at the location of placement, and are powered using power-over-ethernet (PoE), such that usually only one (flat) UTP cable has to run from inside to outside the building. The system runs on the Voyage operating system, a scaled-down version of Debian Linux.

Figure 1: Measurement device, (left) internal view, (right) placed on a windowsill.

Each of the measurement devices was calibrated using a B&K 4231 calibrator, and subsequently their accuracy was measured in the anechoic room at Ghent University before shipment to Paris. For the accuracy measurement procedure, a high quality National Instruments PXI NI-4498 DAQ data acquisition system was used, and accuracy was compared with that of a B&K 8492 Class 1 reference microphone. Figure 2 shows the setup of the accuracy assessment procedure.

Figure 2: Setup for accuracy assessment of the measurement devices.

The measurement accuracy of each device was assessed by playing back a series of band-pass filtered noise sequences and pure tones, and by comparing the levels measured by the measurement device with

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 10

those measured through the Class 1 microphone system. Figure 3 shows the results for one of the devices (in this case No. 251). In the left picture, one can see that there is only little deviation from the level as measured with the Class 1 reference microphone, for the broad range of levels between 40 dB(A) and 105 dB(A). The noise floor of the measurement device is typically around 35 dB(A), which is sufficiently low for measuring sound pressure levels in dense urban environment. The right side of Figure 3 shows the results for octave bands separately. One can see that for each octave band, the noise floor is below 35 dB. Results were found to be similar for all measurement devices.

Figure 3: Example results of the accuracy assessment of one of the measurement devices (No. 251). The red curve is the measurement device level, the black curve is the reference microphone level.

Each of the measurement devices performs audio recording with a sample rate of 44 kHz, and internally calculates 1/3-octave band sound levels with a temporal resolution of 125ms. This data is then transmitted to a central database located at Ghent University. To this purpose, a server for managing all measurement data of the Grafic project was set up and configured (ssmdb.intec.ugent.be). This server contains two main databases, one for the raw 1/3-octave band levels with temporal resolution of 125ms, and one called the « Warehouse » database, with the derived acoustical indicators (see Section 3.1.3 for more details on the latter). For processing the raw sound level data into derived indicators, a server-side agent-based approach is used, programmed in the python language. Individual agents (snippets of code) run continuously, fetch data from the raw measurement database, calculate particular indicators on the fly, and store these in the Warehouse database. The final results are available by simple SQL database query, and can be visualized in a range of systems (see also Section 3.2). Figure 4 shows a schematic overview of the complete system.

Figure 4: Schematic overview of the measurement data management system.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 11

Finally, in close collaboration with all project partners, a protocol for selecting optimal locations for placing the fixed devices, in order to well cover the 13th district of Paris, has been laid down, taking into account the locations that were considered in the Cart_ASUR project. Furthermore, practical guidelines for the full installation of the fixed devices have been provided. Subsequently, the fixed measurement devices were installed throughout the 13th district of Paris (see Section 3.2).

3.1.2. Mobile measurement stations

Next to the 25 fixed devices, 5 mobile devices were constructed for the project. The mobile system is very similar to that of the fixed devices, with a few additions: a GPS device for continuous logging of the location, and a battery to power the device. The autonomy of the system is about 12 hours. Furthermore, data is stored temporarily on the CF card inside the system, and this data is then sent to the central database automatically when the system is connected to the internet at the end of a walk. The mobile devices are mounted in a backpack. Figure 5 shows an example (a similar type of backpack was used in this project). Care is taken to make sure that the backpack does not make any noise when it is worn (e.g. no metal parts that could make noise), and that only the windscreen of the microphone is visible, in order not to attract attention of other people, which could make noise and consequently disturb measurements.

Figure 5: Example of a mobile measurement device, mounted in a backpack.

Figure 6: Screenshot of the online visualization system.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 12

The mobile measurement devices allow to map the sound level continuously along a walking path inside the city. As the whole case study area was to be covered using these measurement devices, it was necessary to provide prompt feedback about levels and visited roads for scheduling additional walks. Therefore, a separate online visualization system was set up. First, a separate software agent was implemented that continuously spatio-temporally aggregates measured levels on a 10-second basis (to smooth out measurement data and GPS signal jitter), and uploads these levels, together with GPS coordinates, to a dedicated account on the AcuGIS online GIS cloud hosting platform (https://www.acugis.com/). Subsequently, data can be fetched and visualized online in real time through a range of applications. For the purpose of this project, a project file for the QGis open source spatial data viewer (http://www.qgis.org) was made available for all project partners. Figure 6 shows a screenshot of the QGis visualization system.

3.1.3. Acoustic indicators

As the possibilities for extracting acoustic indicators from the raw 1/3-octave band measurement data sampled at 1/8s are endless, decisions had to be made concerning the specific indicators that had to be calculated and stored. A first decision made was to calculate indicators on a 10-minute basis. An extended set of acoustic indicators, to be extracted from the raw data on a 10-minute basis, has then been defined in collaboration with all project partners. Table 3 shows an overview of the complete set of indicators.

In a first stage, a number of intermediate time series are calculated on the fly from the raw data:

 Leq,1s in 1/3-octave bands from 20Hz to 20kHz;  LAeq,1s (on the basis of the above);  δLAeq,1s (= |LAeq,1s(t) – LAeq,1s(t-1)|, i.e. the differential level).

These intermediate time series are not stored as such, but are used as a basis for calculating a more elaborate set of indicators that are then actually stored in the Warehouse database. The set of indicators as shown in Table 3 contains, among others, energy equivalent levels, extreme values and percentile levels, dynamic range indicators, the number and percentage of sound events according to various criteria, indicators for the temporal and spectral structure, psychoacoustic indicators, and aggregated indicators.

The temporal structure indicators contain a.o. an indicator for the music-likeness of the sound, which quantifies how much the slope of the spectral density of the envelope of the sound resembles that typically found for music. More details about this indicator can be found in [De Coensel and Botteldooren, 2006]. The aggregated indicators contain a.o. the Common Noise Index developed within the Harmonica project [Mietlicki et al., 2015]. In total, the set contains 159 single-value indicators. Calculated indicator data has been made available to project partners, and serves as input for T3.2.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 13

Table 3: Overview of acoustical indicators calculated on a 10-minute basis from the raw 1/3-octave band measurement data with temporal resolution of 125ms.

Description Unit Energy equivalent levels LAeq dB(A) LCeq dB(C) Extreme values LAmax, LAmin dB(A) LCmax, LCmin dB(C) Percentile levels LA01, LA05, LA10, LA50, LA90, LA95, LA99 dB(A) LC01, LC05, LC10, LC50, LC90, LC95, LC99 dB(C) Dynamic range indicators Standard deviation of L dB(A) Aeq,1s LA10 – LA90 dB(A) Sound event indicators Number of events exceeding 55, 60, 65, 70, 75 or 80 dB(A) / Number of events exceeding L , L , L +3, L +10, L +15, L +20 / A10 A50 A50 A50 A50 A50 Number of events exceeding LAeq+10, LAeq+15 / MIL (mask index, cumulative time during which above thresholds are exceeded) s Temporal structure indicators ML (Music-likeness) / Suddenness indicator (i.e. mean value of δLAeq,1s) dB(A) Percentile levels of δLAeq,1s dB(A) Fmax (maximum frequency in spectral density of envelope) Hz IR (fraction of energy in 1/3-octave band around Fmax) / Spectral structure indicators Center-of-gravity spectrum in intervals [20Hz,20kHz], [20Hz,8kHz], [125Hz, 8kHz] Hz

Tonality in 1/3-octave bands / Psychoacoustic indicators Average loudness N (according to Zwicker model) Sone Percentile values of loudness N , N , N , N , N , N , N Sone 01 05 10 50 90 95 99 Average sharpness S (according to Zwick and Fastl model) Acum Percentile values of sharpness S01, S05, S10, S50, S90, S95, S99 Acum Aggregated indicators Traffic Noise Index TNI dB(A) Noise Pollution Level NPL dB(A) Harmonica Index / Alternative indicators Time and Frequency Second Derivative (TFSD), Spectral Flatness Deviation SFD /

The normalized Time and Frequency Second Derivative (TFSD) is an indicator that was developed specifically for this project. It represents the time and frequency normalized deviations of each recorded sample. It aims at describing the frequent time variations at specific frequency bands, which are characteristics of tonal or harmonic sounds such as voices or birds. It is calculated as follows:

d²L(f,t) | | dfdt TFSD(f, t) = d²L(f,t) Equation 1, ∑f=16kHz | | f=31.5Hz dfdt

where f are octave bands from 31.5 Hz to 16 kHz.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 14

The Spectral Flatness Deviation (SFD) indicator, which describes the standard deviation of the flatness indicator SF, calculated as follows: ∑f=16kHz ln⁡(L(f,t)) ( f=31.5Hz ) 10 e SF(t) = f=16kHz Equation 2. ∑f=31.5Hz L(f,t) 10

The SFD is included in this study as it is known to be a good and simple voice activity detector [R. Venkatesha Prasad et al., 2002].

3.2. T1.2 Déploiement du réseau de capteurs

L’étude comprend un volet d’évaluation des ambiances sonores via la mise en place d’un réseau permanent de mesure pour une durée d’un an. Ce chapitre présente le dispositif de mesure déployé par Bruitparif : territoire d’étude, sites et matériel de mesure du bruit, logistique et maintenance associées, diffusion et stockage des données de mesure.

3.2.1. Le territoire d’étude

Le territoire d’étude a été défini au préalable en concertation avec l’ensemble des partenaires du projet. Il se situe au sein du 13ème arrondissement de la ville de Paris et recouvre environ les deux tiers de la superficie totale de l’arrondissement (cf. Figure 7). Ce secteur présente l’intérêt d’avoir été préalablement étudié dans le cadre du projet de recherche Cart_ASUR. Il offre en outre une grande diversité d’ambiances sonores urbaines : boulevards et avenues avec un trafic routier important, rues festives, parcs, petites rues calmes…

Figure 7: Territoire d’étude.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 15

3.2.2. Le réseau de stations de mesures fixes du bruit

Le réseau est basé sur un parc de 25 stations de mesures du bruit développées et mises à disposition de Bruitparif par l’université de Gand. Les stations ont été installées en façade de bâtiments et placées préférentiellement côté voirie entre le 1er et le 5ème étage. La Figure 8 présente quatre exemples d’implantions des stations de mesure en façade des bâtiments d’habitation du 13ème arrondissement de Paris. Le déploiement du dispositif de mesure s’est déroulé en trois phases.

- Phase 1 : repérage des emplacements de mesure potentiels. - Phase 2 : sollicitation des personnes et organismes susceptibles d’accueillir la station de mesure sur les secteurs d’intérêt identifiés, acceptant la mise à disposition de leur connexion internet. - Phase 3 : déploiement des stations de mesure du bruit.

Compte-tenu du nombre important de refus de participation observés, la phase 2 s’est avéré la tâche la plus délicate du processus de déploiement. Toutefois, sa réussite constitue une étape essentielle du projet.

 L’exploitation des réseaux de connaissance des partenaires du projet a permis la constitution d’un premier échantillon composé d’une dizaine de sites de mesures.

 Une opération systématique de démarchage « porte à porte » au sein des secteurs d’intérêt, associée à une distribution de courrier d’information et à la mise en place d’affiches dans les halls d’immeubles ont été mises en œuvre dans le but d’atteindre l’objectif des 24 sites de mesure permanents.

Figure 8: Exemples d’implantions des stations de mesure (264, 260, 272 et 265) en façade des bâtiments d’habitation.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 16

 Le retour de cette opération s’étant avéré nettement insuffisant par rapport aux résultats escomptés, une indemnité forfaitaire de 100 € a été systématiquement proposée afin d’encourager et de dédommager les participants potentiels des frais d’électricité et d’accès au réseau internet inhérents aux besoins de la mesure. Cette opération s’est avérée décisive dans le processus de déploiement.

Au terme de la phase 2, une quarantaine de participants potentiels se sont manifestés. 24 sites répondant aux critères techniques et aux exigences de localisation ont ainsi été sélectionnés. 24 stations ont été installées en façade des logements ou des bâtiments publics sélectionnés. Le Tableau 4 et les Figure 8 et Figure 9 présentent respectivement les adresses et les positions géographiques des 24 stations constituant le réseau de mesure permanent.

Tableau 4: Adresse des stations du réseau de mesure permanent GRAFIC.

ADRESSE ETAGE CP VILLE Coord. GPS ACTIV URL

69 Boulevard Auguste Blanqui R+1 75013 PARIS 48.829347, 2.348672 http://asasense.com/node/251

3 rue de la Butte aux Cailles R+2 75013 PARIS 48.827882, 2.351250 http://asasense.com/node/252

138 avenue d'Italie R+2 75013 PARIS 48.823185, 2.357951 http://asasense.com/node/253

45 Rue Croulebarbe R+5 75013 PARIS 48.832091, 2.350181 http://asasense.com/node/254

25 bd Arago R+2 75013 PARIS 48.835387, 2.348750 http://asasense.com/node/255

141 rue du Château des Rentiers R+2 75013 PARIS 48.828611, 2.364585 http://asasense.com/node/256

58 avenue de Choisy R+5 75013 PARIS 48.823272, 2.362569 http://asasense.com/node/257

5 rue Wurtz R+4 75013 PARIS 48.827169, 2.345126 http://asasense.com/node/258

10 passage Barrault R+1 75013 PARIS 48.828741, 2.348512 http://asasense.com/node/259

185 bd Vincent Auriol - Esc. 34 R+3 75013 PARIS 48.831612, 2.359833 http://asasense.com/node/260

5 rue Philibert Lucot R+5 75013 PARIS 48.822373, 2.362096 http://asasense.com/node/261

180 avenue de Choisy R+1 75013 PARIS 48.830006, 2.357605 http://asasense.com/node/262

76 rue Barrault R+3 75013 PARIS 48.824284, 2.346352 http://asasense.com/node/264

78-84 rue Brillat Savarin R+5 75013 PARIS 48.823733, 2.343139 http://asasense.com/node/265

51 avenue des Gobelins R+2 75013 PARIS 48.834780, 2.353578 http://asasense.com/node/266

29 Place Jeanne d'Arc R+4 75013 PARIS 48.829526, 2.367795 http://asasense.com/node/263

26 rue de Rungis R+4 75013 PARIS 48.821818, 2.344039 http://asasense.com/node/268

17 avenue d'Italie R+1 75013 PARIS 48.829014, 2.357123 http://asasense.com/node/269

11bis rue de l'Amiral Mouchez R+3 75013 PARIS 48.825513, 2.341674 http://asasense.com/node/270

37 rue Albert R+2 75013 PARIS 48.825178, 2.372117 http://asasense.com/node/271

137 avenue de Choisy R+3 75013 PARIS 48.827024, 2.359082 http://asasense.com/node/272

19 rue Godefroy R+1 75013 PARIS 48.831834, 2.357036 http://asasense.com/node/273

198 rue de Tolbiac R+4 75013 PARIS 48.825803, 2.348825 http://asasense.com/node/274

140 rue Léon Maurice Nordmann R+1 75013 PARIS 48.833727, 2.343041 http://asasense.com/node/275

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 17

Figure 9 : Position géographique des stations du réseau de mesure permanent.

3.2.3. Logistique et maintenance

Afin de pouvoir remplacer rapidement une station présentant éventuellement un problème technique sans engendrer de perte importante de données, une 25ème station a été dédiée aux opérations de maintenance. La surveillance du bon fonctionnement du matériel a été assurée par Bruitparif en coordination avec l’université de Gand. La plateforme de consultation des données, développée par l’Université de Gand et accessible par connexion internet, a permis de s’assurer du bon fonctionnement des 24 stations de mesures1 (cf. Figure 10 et Figure 11).

Figure 10 : Exemple de visualisation des données de mesure du bruit sur 12 heures via la plateforme développée par l’Université de Gand.

1 Exemple : http://ssmdb.intec.ugent.be:8080/noise/graphs/268/main.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 18

Figure 11 : Exemple de visualisation des données de mesure du bruit sur la semaine via la plateforme développée par l’Université de Gand.

Au total, une douzaine d’interventions in situ a été réalisée par le personnel de Bruitparif pour pallier à des problèmes techniques. Les problèmes ont été systématiquement identifiés et résolus rapidement grâce à l’étroite collaboration entre les équipes techniques de Bruitparif et de l’Université de Gand.

3.2.4. Diffusion et stockage des données de mesures fixes

Bruitparif a intégré les données LAeq1s des 24 stations de mesures dédiées au projet GAFIC sur la plateforme d’information « RUMEUR » du réseau de mesure permanent de Bruitparif (http://rumeur.bruitparif.fr/). Les données sont ainsi accessibles librement au plus grand nombre et archivées au sein de la base de données de Bruitparif.

3.2.5. Réalisation des mesures mobiles

Entre septembre 2014 et juin 2015, cinq stations de mesures mobiles ont été utilisées par les équipes de Bruitparif et du laboratoire MRTE pour sillonner le quartier où sont installées les mesures fixes (voir § 3.1.2). L'idée était de parcourir toutes les rues de ce quartier environ cinq fois pour les petites rues et trois fois pour les boulevards et grandes rues circulées, afin de recueillir des niveaux moyens représentatifs des périodes enregistrées. Seules des périodes de journées sont mesurées entre 8h du matin et 18h du soir. Les travaux de Laurent Brocolini ont montré que cette période de la journée pour des rues circulées était homogène [Brocolini et al., 2013].

A la fin juin 2015, un état des mesures a été visualisé sur les schémas ci-dessous: la Figure 12 représente le nombre de passages dans les rues, et la Figure 13 représente l'écart type entre les niveaux sonores équivalents agrégés sur 10 secondes.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 19

Figure 12: Nombre de passage des stations mobiles Figure 13: Ecart type des niveaux sonores mesurés visualisées sur des segments de 10m. Les couleurs au cours des multiples passages. Les couleurs représentent les valeurs quartiles (en rouge les plus représentent les valeurs quartiles (en rouge les visitées, en vert les moins visitées) écarts types les plus importants, en vert les moins importants)

4. Collecte des données perceptives: SP2

Comme il a été précisé en introduction, la tâche T2.1 a été inversée avec la tâche T2.2. Alors qu’il était prévu de commencer par les expériences en laboratoire dans le projet initial, nous avons pensé qu’il serait plus judicieux de commencer par les expérimentations in situ, afin de faire émerger les interrogations sur la perception des parcours et des espaces de transition. Pour répondre à ces interrogations, deux tests en laboratoire ont alors été menés, où l’environnement sonore est beaucoup plus maîtrisé que sur le terrain. Dans la suite donc, la tâche T2.1 correspondra donc à l’expérimentation in situ. La tâche T2.2 correspondra donc aux tests en laboratoires.

Le projet initial proposait de se focaliser majoritairement sur les espaces de transition. Cependant, les résultats de l’expérience in situ ont montré que l’effet de ces espaces n’est que peu visible sur la caractérisation quantitative des environnements sonores (voir T2.1). Les expériences en laboratoire ont donc été menées sur la deuxième thématique en jeu dans ce projet, à savoir : l’évaluation globale des parcours urbains (voir T2.2 et T3.1).

4.1. Etude des changements d'ambiance sonore in situ (T2.1)

Cette expérience a pour but d’améliorer notre connaissance pour la modélisation de l’agrément sonore dans un contexte urbain, en partant à la fois de mesures perceptives et physiques, pour des parcours et des points d’évaluations.

4.1.1. Méthodologie

4.1.1.1. Zone d’étude

Un ensemble d’évaluations perceptives a été réalisé 4 fois le long d’un parcours de 2.1 km, dans le 13ème arrondissement de Paris. Le parcours (voir Figure 14) a été conçu de manière à :

 Inclure certains points du projet Cart_ASUR, pour permettre de comparer les résultats aux questionnaires des deux projets.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 20

 Inclure des stations de mesures fixes installées dans le cadre du projet, afin de pouvoir comparer les niveaux mesurés au cours de l’expérience.

 Inclure de nombreux changements d’ambiances sonores, afin de pouvoir étudier au mieux l’influence d’un point précédant le point à évaluer.

 Pouvoir être parcouru dans un temps maximum d’une heure pour maintenir l’attention des participants de la marche.

 Avoir une ambiance sonore très différente entre le début et la fin du parcours, afin d’évaluer l’influence de l’ambiance sonore finale sur l’évaluation totale d’un parcours.

Figure 14 : Cartographie sonore du parcours étudié interpolée à partir des mesures mobiles (Leq – dB).

Les données perceptives ont été collectées simultanément pendant des pauses d’environ 3 à 5 minutes sur 19 points d’évaluations le long du parcours. Des mesures physiques à l’aide d’une station mobile, comme présenté dans le paragraphe 3.1.2, ont été effectuées au cours de chacune des marches de reconnaissance du terrain ainsi que lors des jours d’évaluation, à une distance suffisamment importante du groupe pour que la mesure ne soit pas affectée. Le temps total de trajet était d’environ 45 minutes avec une distance moyenne de 115 mètres entre chaque point. Le Tableau 5 présente une courte description des environnements sonores et du trafic approximatif (données de la maire de Paris) pour chaque point.

Tableau 5: Environnement sonore et trafic routier en chacun des points d’évaluations Traffic Traffic Points Morphologie Points Morphologie [Veh/h] [Veh/h] ~2 x P1 Large rue, double voie P11 Rue calme et piétonne 750 ~2 x P2 Large rue, double voie P12 Rue avec un faible passage de véhicules ~50 750 P3 Parc calme P13 Rue avec un faible passage de véhicules ~50

P4 Rue animée (Bars & Restaurants) ~50 P14 Rue avec un faible passage de véhicules ~50 Rue très calme avec de rares P5 ~10 P15 Rue avec un fort passage de véhicules ~2000 passages de véhicules P6 Rue animée (Bars & Restaurants) ~50 P16 Rue avec un fort passage de véhicules ~2000 Petite rue piétonne entre deux rues P7 Rue animée (Bars & Restaurants) ~50 P17 passantes Rue avec un trafic très interrompu (près P8 Parc au bord d’une rue ~750 P18 ~1000 de feux de signalisation) Rue avec un passage modéré de P9 ~750 P19 Grand parc véhicules Rue avec des rares passages. P10 ~10 Proximité d’une école

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 21

Ces parcours ont été effectués le lundi 23 mars 2015 entre 11h et 12h et entre 15h et 16h et le lundi 30 mars pour ces mêmes horaires. Respectivement, 8, 8, 11 et 9 sujets y ont participés. Un groupe de sujets d’environ 10 personnes a paru être un bon compromis entre un nombre suffisant de personnes pour limiter le nombre de passage et avoir un échantillon suffisamment grand pour réaliser une étude statistique, et à la fois suffisamment peu pour ne pas affecter outre mesure l’environnement sonore évalué. Les parcours du 23 au matin et 30 dans l’après-midi ont été effectué de l’ouest vers l’est, les autres parcours dans le sens inverse (voir Tableau 6). 37 participants ont finalement participé au test : (67% hommes, 33% femmes; 61% 10-29 ans, 21% 30-39 ans, 6% 40-49 ans, 9% 50-59 ans, 3% 60-75 ans).

Tableau 6: Résumé du déroulement l’expérimentation Nombre de Parcours Passage Jour Heure Direction participants Global LA,eq R1 23/03/2015 11h-12h Est-Ouest 8 72.2 R2 23/03/2015 15h-16h Ouest-Est 10 72.0 R3 30/03/2015 11h-12h Ouest-Est 9 72.5 R4 30/03/2015 15h-16h Est-Ouest 8 72.7

Les participants ont reçu une compensation monétaire et ont participé à seulement un seul des quatre passages. Le point P3 du deuxième passage a été enlevé de l’analyse. En effet, un camion de nettoyage est passé au moment de l’évaluation et quelques mesures incomplètes ou très erronées ont été éliminées. Un total de 576 évaluations (sur 665) ont été validées et de 75 points d’évaluations sur 76.

4.1.1.2. Description détaillée du parcours

D’Ouest en Est, le parcours commence à la station de métro Corvisart (Pt1). Il suit alors le boulevard Blanqui pour traverser sur le passage piéton en face de la rue Barrault. De l’autre côté du boulevard Blanqui se situe le point (Pt2, et station fixe). Il s’agit d’un large boulevard, bruyant mais relativement peu fréquenté en dépit de sa taille. Le parcours se poursuit via l’arche rue Eugène Atget pour arriver dans le parc de la rue Jonas particulièrement abrité des bruits du boulevard (Pt3). Par la suite, il passe par la rue des 5 diamants (Pt4), rue connue pour ses petits restaurants puis rentre dans le passage Barrault (Pt5, station fixe et point de mesure Cart_ASUR), un passage particulièrement silencieux et très peu fréquenté. En ressortant du passage, deux arrêts sont effectués dans la rue de la Butte aux Cailles (Pt6 et Pt7 ; station fixe et point de mesure Cart_ASUR), rue connue pour ses bars animés et ses nombreux restaurants. Au coin de la place Paul Verlaine, le parcours passe au sein du square Henri Rousselle (Pt8, point de mesure Cart_ASUR), puis termine sa première partie sur la place Paul Verlaine, à côté du Puits Artésien (Pt9), devant la rue Bobillot, comportant deux uniques voies mais assez fréquentée et couloir de nombreux bus. En ce point, les sujets devaient alors évaluer en plus du point Pt9, l’ensemble de la première partie du parcours qu’il venait d’effectuer.

Ensuite, le parcours repart en direction de la rue Vendrezanne pour passer devant le groupe scolaire Saint Vincent de Paul (Pt10, près d’un point de mesure Cart_ASUR). Un autre arrêt est effectué au sein d’un petit passage ombragé et verdoyant, le passage Vendrezanne (Pt11) avant de partir sur la rue du Moulinet. La rue du Moulinet, une rue peu fréquentée, est interrompue par trois fois à l’angle de la rue Michaux (Pt12), dans l’angle du Centre de Santé (Pt13) puis à une cinquantaine de mètre de l’avenue d’Italie (Pt14). A chaque arrêt, il s’agit de se rapprocher de l’avenue d’Italie qui est, sans équivoque, l’environnement sonore le plus bruyant du parcours. Sur cette avenue, le parcours s’arrête par deux fois en face de la rue des deux avenues (Pt15, point de mesure Cart_ASUR) puis de l’autre côté de l’avenue (Pt16). Il s’agit alors de passer sous une arche pour rentrer dans la rue des 2 avenues (Pt17). A la sortie de cette rue le parcours s’interrompt sur l’avenue de Choisy (Pt18, station fixe), avenue assez fréquentée pour se terminer au sein du parc de Choisy (Pt19, point de mesure Cart_ASUR).

Plus d’informations perceptives sur ce parcours et particulièrement sur ses transitions sont disponibles dans le travail effectué au cours du stage de Victor Santoni (voir paragraphe 4.1.3).

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 22

4.1.1.3. Questionnaire

Pour chaque évaluation, le groupe s’arrêtait pour remplir un questionnaire et noter 16 variables sur une échelle de 1 à 11. A ces variables perceptives, trois questions supplémentaires ont été ajoutées afin d’évaluer l’agrément sonore du segment du parcours qui vient d’être parcouru, ainsi que l’intensité et la rapidité du changement d’ambiance sonore qui vient de se produire s’il a eu lieu (voir Tableau 7).

A ces 19 évaluations, trois évaluations se sont ajoutées : une en milieu de parcours et deux à la fin dans le but d’évaluer la qualité sonore des trajets entre le début et le milieu (Pt9) du parcours, le milieu (Pt9) et la fin (Pt19) et le parcours dans sa globalité. Tableau 7: Questionnaire adressé aux participants. Variables Identifiants Extrémités de l’échelle sémantique Agrément sonore du trajet PS Désagréable Agréable Changement d’ambiance sonore CS Identique Très différente Rapidité du changement d’ambiance sonore FS Brusque Progressif Agrément Sonore P Désagréable Agréable Animation L Sans vie Animé Enveloppement E Enveloppant Peu enveloppant Intensité Sonore Globale OL Faible Fort Intensité sonore des 2 roues PLM Faible Fort Intensité sonore des véhicules légers PLC Faible Fort Intensité sonore des poids lours/bus PLT Faible Fort Intensité sonore des klaxons/sirènes PLK Faible Fort Temps de présence de la circulation T Rarement présent Continuellement présent Temps de présence de la voix V Rarement présent Continuellement présent Temps de présence des oiseaux B Rarement présent Continuellement présent Temps de présence du vent Wi Rarement présent Continuellement présent Temps de présence de l’eau Wa Rarement présent Continuellement présent Agrément Visuel VA Désagréable Agréable Familiarité Sonore F Surprenant Familier

4.1.2. Evaluation des situations sonores

4.1.2.1. Comparaison entre Cart_ASUR et GRAFIC

Grâce à une importante collecte de données perceptives et acoustiques, le projet Cart_ASUR [Ricciardi et al., 2015] a permis d’approfondir notre compréhension des variables influentes sur la qualité de l’ambiance sonore en un lieu donné. Dans le cadre du projet GRAFIC, il s’agit alors de poursuivre ce travail mais aussi de l’étendre à l’étude des parcours et particulièrement lorsque ceux-ci sont sujets à de multiples changements d’ambiance sonore.

Les évaluations réalisées au cours du projet Cart_ASUR datent de l’hiver et l’été 2013-2014. Une comparaison entre les observations au cours des deux projets permet alors de tester la répétabilité de l’expérience. Les correspondances entre les points de mesure Cart_ASUR et GRAFIC sont présentées dans le Tableau 8.

Tableau 8: Correspondance entre les points d’évaluation Cart_ASUR et GRAFIC

Points d’évaluation Points d’évaluation CART_ASUR GRAFIC Corvisart Pt1 ; Pt2 Passage Barrault Pt5 Butte aux Cailles Pt6 ; Pt7 Place Paul Verlaine Pt9 Avenue d’Italie Pt15 ; Pt16 Parce de Choisy Pt19

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 23

Les corrélations entre les médianes des résultats obtenues en chacun des points au cours des projets Cart_ASUR et de l’expérience in situ GRAFIC sont présentées dans le Tableau 9.

Tableau 9: Corrélation entre les médianes des variables obtenues lors du projet Cart_ASUR en été, Cart_ASUR en hiver et Cart_ASUR en global, par rapport aux résultats obtenus dans l’Exp. T2.1. En rouge sont notées les corrélations significatives p<0.05

Corrélation Corrélation Corrélation entre entre GRAFIC et entre GRAFIC GRAFIC et Nom complet de la Variable Cart_ASUR en et Cart_ASUR Cart_ASUR hiver été en hiver et été Agrément Sonore 0.94 0.96 0.95 Animation 0.81 0.81 0.8 Enveloppement -0.39 -0.2845 -0.33 Intensité Sonore Globale 0.90 0.92 0.91 Intensité Sonore des 2 roues 0.93 0.97 0.93 Intensité Sonore des Véhicules Légers 0.97 0.97 0.97 Intensité Sonore des Poids Lourds 0.96 0.96 0.96 Intensité Sonores des Klaxons 1 1 0.93 Temps de présence de la Circulation 0.98 0.95 0.96 Temps de présence des voix 0.92 0.60 0.68 Temps de présence des pas 0.68 0.91 0.79 Temps de présence des oiseaux 0.67 0.93 0.68 Temps de présence du vent -0.34 0 -0.19 Temps de présence de l’eau ------Agrément Visuel 0.97 0.97 096 Familiarité Sonore 0.98 0.93 091 LeqA 0.83 0.94 0.93 L50 0.95 0.92 0.94 Lmin 0.72 0.83 0.75 Lmax 0.41 0.13 0.27 L90 0.94 0.95 0.94 L10 0.96 0.99 0.97 L10-L90 -0.36 -0.2 -0.28

On observe une très bonne corrélation pour presque toutes les variables entre l’expérience T2.1 de GRAFIC et celle menée au cours du projet Cart_ASUR, ce qui permet de montrer la robustesse des évaluations perceptives telles qu’elles ont été menées dans ces deux projets.

On montre tout de même que:  Il n’apparait pas de corrélation pour la variable « Enveloppement ». Cette variable ne semble donc pas présenter de répétabilité. Au vue des discussions avec les sujets, il semble que cette variable soit trop difficile à interpréter par certains d’entre eux.  La variable « Temps de présence de l’eau » n’est pas suffisamment présente dans notre corpus pour pouvoir conclure sur une possible corrélation.  La variable « Temps de présence du vent » n’est pas corrélée. Ceci s’explique très bien par le caractère irrégulier de la présence du vent.  Le niveau sonore maximum « Lmax » mesuré n’est pas corrélé. Cela s’explique car cette variable est particulièrement sensible aux événements durant l’intervalle de mesures (frottement sur un micro, passage d’une moto particulièrement bruyante, un passant qui parle à proximité du micro, etc.).  la variable « L10-L90 » n’est pas corrélée. Plusieurs facteurs peuvent expliquer ceci: o « L10-L90 » est calculé sur 10 minutes dans le cadre de Cart_ASUR et seulement sur quelques minutes dans le projet GRAFIC. Il est alors possible que l’intervalle de temps de GRAFIC soit insuffisant pour être représentatif de l’ambiance urbaine locale. Une étude sera faite dans le cadre du projet GRAFIC sur la mesure du « L10-L90 » pour différents intervalles de temps. o D’autre part, il ne faut oublier que les systèmes de mesures sont très différents entre Cart_ASUR et GRAFIC (téléphone et microphone mobile). Peut-être ceci est-il la source de ce manque de répétabilité.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 24

4.1.2.2. Variabilité entre les participants et les passages

Cette partie met en évidence l’influence du participant et du passage sur les résultats des évaluations perceptives. La Figure 15 présente pour les 19 points d’évaluations, l’écart type des données collectées, calculés entre les participants pour les données moyennées sur les 4 passages (Figure 15.a), et calculé entre les passages pour les données moyennées sur les participants (Figure 15.b).

Figure 15 : Ecart type moyen, pour chaque point évalué et pour quelques variables perceptives, entre les participants (a), et entre les passages (b).

L’évaluation de l’agrément sonore est affecté à la fois par les participants et les passages, avec un écart type moyen de 1.5 et 0.7 respectivement, sur l’échelle de 11 point. L’intensité sonore globale perçue est affectée de la même manière avec des écarts types moyens de 1.5 et 0.8. On note que les temps de présence des oiseaux et des voix sont particulièrement variables entre les différents passages. Une écoute des extraits sonores permet de vérifier que lorsque de grandes variabilités sont présentes, il y a également des fortes variabilités dans les enregistrements sonores sur ces sources. Quelques autres paramètres comme l’intensité perçue des bus, klaxons, le temps de présence perçu de l’eau ou du vent présentent aussi une très forte variabilité à la fois sur les participants et les passages. Cependant, cela est dû à la très faible fréquence de ces évènements dans notre corpus et par conséquent ces variables sont donc supprimées de nos analyses.

Les résultats peuvent être analysés et commentés à trois échelles :

 à l’échelle du participant (n=576), ce qui permet de conserver l’intégralité de l’information et observation les phénomènes de variabilités entre participants ou entre les passages,

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 25

 à l’échelle du passage (n=75), il s’agit alors de moyenner les évaluations des participants sur chaque passage, cela permet de supprimer la variabilité entre les participants,

 enfin à l’échelle du parcours (n=19), ce qui permet de supprimer à la fois la variabilité entre les participants mais aussi entre les passages. Cette dernière échelle permet d’étudier l’intérêt d’une méthodologie ou d’un modèle dans le contexte cartographique où les cartographies proposées doivent retranscrire les caractéristiques moyennes d’un lieu.

Les analyses dans la suite de ce rapport seront faites à l’échelle du passage dans le but d’effacer la variabilité entre participants, tout en nous assurant une correspondance entre un groupe d’évaluation et un environnement sonore.

4.1.2.3. Analyse des données perceptives

Cette section met en évidence les relations entre les paramètres perceptifs. Les corrélations entre chacun de ces paramètres sont calculées à l’échelle du passage (75 observations) et présentées dans le Tableau 10.

Tableau 10 : Coefficients de corrélation entre les paramètres perceptifs (* p<0.05, **p<0.01)

P L OL PLM PLC PLT T V F B P 1,00 -0,50** -0,91** -0,74** -0,89** -0,75** -0,86** 0,19 0,12 0,53** L 1,00 0,67** 0,31** 0,43** 0,46** 0,47** 0,43** 0,35** -0,10 OL 1,00 0,71** 0,83** 0,73** 0,81** 0,02 0,02 -0,44** PLM 1,00 0,81** 0,65** 0,74** -0,21 0,02 -0,33** PLC 1,00 0,74** 0,92** -0,26* -0,10 -0,43** PLT 1,00 0,82** -0,19 -0,07 -0,33** T 1,00 -0,22 -0,05 -0,39** V 1,00 0,44** 0,18 F 1,00 0,42** B 1,00

Comme attendu, l’agrément sonore (P) est significativement et inversement corrélé à l’intensité sonore (OL) (r<-0.7), ainsi qu’avec les paramètres liés à la présence du trafic (PLM, PLC, PLT et T).

L’animation (L) est corrélée significativement avec la présence des bruits d’origine humaine : voix (V) et bruits de pas (F), et avec les paramètres du trafic (T). Il semble que ce paramètre a été interprété par les participants comme la présence des voix mais aussi du trafic. Cette interprétation diffère de certaines études précédentes qui montrent que l’animation est mieux reliée aux environnements sonores avec une présence dominante des voix [Axelsson et al., 2010], [Nilsson, 2007]. Cette différence peut-être due au fait que dans ces études, les participants devaient obligatoirement choisir quelle était la source dominante, tandis qu’ici chaque source est évaluée séparément. Cela peut aussi être dû à la traduction anglaise du mot animé : « Liveliness », qui pourrait avoir une acceptation plus relié à la présence humaine dans d’autres langues. Notons que l’animation (L) est aussi inversement corrélé avec l’agrément sonore (r=-0.5). La Figure 16 montre d’ailleurs que l’agrément sonore est faible lorsque l’animation est élevée et inversement pour les valeurs extrêmes de P (P<3 et P>9).

Le temps de présence des oiseaux est aussi corrélé avec l’agrément sonore (r>0.5) et inversement corrélé avec l’intensité sonore globale et le temps de présence du trafic routier (r=-0.44 et r=-0.39). La Figure 16 montre que le temps de présence des oiseaux est faible quand la présence du trafic est élevée ; en effet, soit les oiseaux ne peuvent être perçus car masqués par le bruit du trafic ou alors ils ne sont pas présents.

Enfin, on peut noter qu’une forte présence des oiseaux (B>6) est toujours liée à un agrément sonore positif (P>6) ; voir Figure 16.c. Cela peut certainement être en partie expliqué par l’influence positive des sons d’oiseaux sur notre évaluation de l’agrément sonore.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 26

Figure 16. Corrélation entre les paramètres perceptifs suivant: (a) Intensité sonore et agrément sonore, (b) Animation et agrément sonore, (c) Agrément sonore et temps de présence des oiseaux (d) Temps de présence des oiseaux et trafic routier

4.1.2.4. Analyses des données physiques

Les coefficients de corrélation entre les paramètres perceptifs et physique sont calculés et présentés dans le Tableau 11. Tableau 11: Coefficient de corrélation entre les paramètres perceptifs et physiques (les coefficients non significatifs à 99% sont notés NS)

P L OL PLM PLC PLT T V F B

Leq -0,66 0,52 0,67 0,47 0,66 0,62 0,71 NS NS -0,34

Leq,A -0,69 0,62 0,74 0,46 0,61 0,57 0,64 NS NS -0,27

LA,10 -0,74 0,58 0,77 0,50 0,68 0,58 0,68 NS NS -0,33

LA,50 -0,76 0,60 0,79 0,52 0,67 0,62 0,70 NS NS -0,29

LA,90 -0,67 0,63 0,72 0,39 0,54 0,52 0,60 NS NS -0,26

L10 -0,69 0,49 0,68 0,51 0,70 0,64 0,72 NS NS -0,39

L50 -0,79 0,55 0,78 0,59 0,75 0,72 0,80 NS NS -0,38

L90 -0,74 0,56 0,75 0,53 0,69 0,66 0,74 NS NS -0,34

N10 -0,77 0,55 0,77 0,52 0,72 0,62 0,73 NS NS -0,37

N50 -0,78 0,59 0,79 0,55 0,70 0,66 0,74 NS NS -0,31

N90 -0,68 0,63 0,73 0,43 0,58 0,55 0,63 NS NS -0,26

LA,10-LA,90 -0,33 0 NS 0,30 0,32 0,41 0,25 0,32 -0,26 -0,27 NS SFD 0,31 -0,29 -0,34 NS NS NS NS NS NS NS

TFSD500Hz NS NS NS NS -0,33 NS -0,39 0,51 NS NS

TFSD1kHz 0,46 NS -0,38 -0,51 -0,61 -0,53 -0,67 0,39 NS NS

TFSD2kHz 0,54 -0,31 -0,48 -0,40 -0,52 -0,43 -0,53 NS NS 0,58

TFSD4kHz 0,39 -0,33 -0,33 -0,40 -0,25 -0,36 NS NS 0,67

L50, 63Hz -0,80 0,50 0,74 0,63 0,81 0,74 0,85 NS NS -0,38

L50, 125Hz -0,81 0,55 0,78 0,63 0,81 0,75 0,87 NS NS -0,35

L50, 250Hz -0,78 0,51 0,76 0,61 0,76 0,69 0,82 NS NS -0,30

L50, 500Hz -0,80 0,59 0,81 0,56 0,71 0,66 0,75 NS NS -0,34

L50, 1kHz -0,83 0,60 0,84 0,59 0,74 0,66 0,77 NS NS -0,40

L50, 2kHz -0,77 0,58 0,78 0,52 0,68 0,60 0,70 NS NS -0,39

L50, 4kHz -0,58 0,51 0,60 0,33 0,47 0,46 0,50 NS NS NS

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 27

On note que le L50 à 1000Hz est l’indicateur le mieux corrélé avec l’agrément sonore, et que les indicateurs de TFSD500Hz et TFSD4000Hz sont corrélés significativement avec respectivement le temps de présence des voix et des oiseaux.

4.1.2.5. Influence de la direction d’arrivée

Des tests statistiques ont été réalisés pour évaluer l’influence de la direction d’arrivé sur chacun des 19 points évalués. Cela revient à étudier l’influence des transitions entre l’environnement sonore évalué et celui qui le précède. Les 576 évaluations ont été divisées en 2 groupes selon les directions Ouest-Est et Est- Ouest pour réaliser le test statistique. L’hypothèse testée est que l’évaluation de l’agrément sonore du point est influencée par l’environnement sonore du point qui le précède. Si c’est le cas, alors des paramètres additionnels, décrivant l’expérience sonore précédente au point d’évaluation devraient être intégré aux modèles de perception de l’agrément sonore en un point.

Tableau 12 : Différences moyennes entre les évaluations perceptives ∆(WE-EW), en rouge, la différence est significative à 95% suivant le test statistique

P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 P18 P19

P -0,79 -0,64 0,06 -1,06 0,55 0,03 0,32 -0,22 -0,18 -1,19 -0,38 2,00 0,00 1,43 1,02 -0,35 -2,06 0,42 -0,68 L 0,20 0,85 -0,09 -1,39 -0,43 -0,30 -1,16 -1,44 -0,02 0,24 -0,68 -0,17 1,53 0,67 -0,95 0,48 -0,35 -0,20 -0,79 OL 0,30 0,67 -0,21 1,51 -0,57 0,36 -0,18 -0,72 -1,14 0,05 0,09 -2,29 1,25 -0,65 -0,35 -0,04 0,90 -0,87 -0,34 PLM -0,90 -1,90 0,02 1,24 0,13 -1,50 -0,39 -0,96 -0,38 0,81 0,17 -2,11 3,87 0,60 1,83 1,21 -0,39 -0,58 0,63 PLC -1,09 -0,66 0,05 0,73 -0,48 0,90 -1,14 0,03 -1,07 1,45 0,72 -0,79 1,04 0,49 -0,75 0,57 0,68 -1,22 0,16 PLT -1,02 2,13 -0,32 0,98 -0,49 0,70 2,91 2,42 0,61 0,73 -0,52 0,12 0,35 1,59 0,24 2,73 1,69 1,95 0,56 PLH -1,33 -1,34 -0,03 0,40 -0,98 -0,75 2,08 0,09 -0,12 0,28 -0,31 0,00 2,60 0,89 3,03 3,82 1,02 0,76 0,57 T 0,01 0,33 -0,47 0,84 -0,29 1,96 0,14 1,24 -1,06 1,21 1,44 0,02 0,18 -0,46 -0,49 0,48 0,17 -1,01 0,30 V 1,79 -0,39 1,31 -1,31 1,10 0,29 0,55 -0,83 -1,00 -0,44 -0,30 0,24 3,24 1,82 -1,39 -1,41 1,32 -3,03 -0,63 F 0,95 -1,05 -0,34 -1,47 -2,23 -2,97 -0,73 -1,37 -1,21 -1,29 -2,12 -0,15 -0,29 1,29 -1,61 -1,47 -2,71 -2,78 -1,92 B -0,46 -0,81 0,60 -3,29 -3,05 -3,37 -2,01 -1,01 -1,15 -0,82 -1,28 -0,20 -0,46 0,13 -0,05 0,14 -0,47 0,36 0,12 VA -0,09 0,72 1,98 -0,32 -0,18 0,72 -0,22 1,35 1,33 0,60 1,07 2,20 0,26 0,01 0,02 0,11 -0,37 -2,10 -0,30

Le Tableau 12 montre les différences, pour chaque paramètre perceptif, entre les deux groupes, ainsi que les résultats du test non-paramétrique Kolmogorov-Smirnov. L’évaluation des paramètres perceptifs diffère donc selon la direction d’arrivée, et la perception de l’agrément sonore diffère pour seulement 2 des 19 points du parcours : P12 et P17.

Pour le point P12, on remarque que cela est également le cas pour l’intensité sonore perçue et l’agrément visuel. Ces différences n’ont pas pu être expliquées par une différence sur les niveaux sonores mesurés, et une écoute experte des bandes sonores n’a pas permis de déterminer les raisons de cette différence. Deux hypothèses sont alors formulées :

 Le temps de présence des deux-roues perçu a tendance à être différent selon les deux directions d’arrivés (∆PLM (WE-EW)=-2.11). Cela pourrait alors influencer l’intensité sonore perçue et donc l’agrément sonore final.  L’environnement visuel au point P12 est significativement différent en fonction de la direction d’arrivé. En effet, en venant de l’est, un parc est dans l’axe de vision, tandis que dans le sens inverse, les participants faisaient face à une rue assez sombre (rue du moulinet) qui mène à un large boulevard. Sur ce point, l’agrément visuel pourrait alors avoir joué un rôle important sur l’évaluation de l’agrément sonore.

La direction d’arrivée impacte aussi significativement la perception de l’agrément sonore pour le point 17. Ce point est par ailleurs à proximité de la position la plus bruyante du parcours (Avenue d’Italie, P15 et P16). On note que le point 14 partage d’ailleurs les mêmes caractéristiques et se trouve être le troisième point qui présente la plus grand différence d’évaluation d’agrément sonore selon le sens de parcours (∆(WE-EW)=1.43). Cela suggère que l’agrément sonore d’un environnement sonore agréable et perçu d’autant plus agréable qu’il se trouve à la suite d’un agrément sonore désagréable et s’il est à la suite d’un important changement d’environnement sonore.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 28

4.1.3. Evaluation des parcours sonores entre deux situations

Lorsque l’agrément sonore d’un segment de parcours est évalué (entre 1 et 2 minutes de marche), il est possible d’émettre l’hypothèse de l’influence de l’environnement sonore de chacune de ses extrémités. L’agrément sonore de ce court trajet est-il le même lorsqu’il est parcouru dans un sens ou dans l’autre ?

Les parcours ont été effectués dans les deux sens. L’analyse de l’influence du sens du parcours sur l’agrément de chaque segment se fait à l’aide du test non paramétrique de U Mann-Whitney. Comme pour la précédente analyse, l’intervalle 2 a été écarté de l’analyse pour les segments adjacents aux points 3 et 4, et l’intervalle 4 a été écarté pour le segment adjacent au point 10.

Lorsque l’agrément sonore du segment a été noté différemment en fonction du sens du parcours, et de manière significative (p<0.05) il est reporté dans le Tableau 13.

Tableau 13 : z-value et p-value des variables notées de manière significativement différente en fonction du sens de parcours. Les segments sont classés par l’intensité de la différence d’agrément sonore perçue des points en leurs extrémités. Si z-value est positif alors la variable a été globalement évaluée avec des notes plus élevées dans le sens Ouest-Est (1) et inversement. En rouge p<0.05. Segment Différence d’agrément sonore z-value p-value S2 4,90 3,20 0,00 S16 4,10 3,40 0,00 S18 4,10 2,40 0,02 S14 -2,90 -1,70 0,08 S17 2,90 0,01 0,98 S9 1,90 0,40 0,70 S5 -1,70 -2,20 0,03 S11 -1,60 -2,30 0,02 S13 -1,20 -1,60 0,10 S7 -1,10 -1,60 0,11 S4 1,00 0,40 0,67 S6 -0,60 -0,30 0,75 S8 -0,50 -0,90 0,39 S1 0,40 1,10 0,30 S12 0,40 -1,00 0,32 S3 -0,30 1,40 0,16 S15 0,30 0,49 0,62 S10 0,20 1,70 0,08

Il existe 5 segments de parcours sur lesquels le sens du parcours influence l’évaluation de l’agrément sonore pour un lieu :

 Le segment S2, correspond au passage sous l’arche de l’avenue Corvisart. Le sujet passe alors de l’avenue de Corvisart vers un petit parc. On observe alors que la note du segment est plus agréable lorsque le sujet se dirige vers le parc et inversement. La note d’agrément sonore tend alors à se rapprocher de la note d’agrément de l’extrémité vers laquelle le sujet se dirige.

 De la même manière pour les autres segments S5, S11, S16 et S18, on observe que la note du segment est plus agréable lorsque le sujet se dirige vers le lieu qui est évalué plus agréable. La note d’agrément sonore semble alors se rapprocher de la note d’agrément de l’extrémité vers laquelle le sujet se dirige.

 De manière générale, on peut observer dans le Tableau 13, que presque la totalité des segments du parcours suivent cette règle.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 29

4.1.4. Evaluation globale des trois trajets

Lors de l’expérimentation in situ T2.1, les sujets ont été soumis à trois évaluations globales sur la première partie du parcours Pa1 (entre Corvisart-Pt1 et le puits Artésien-Pt10), la deuxième partie du parcours Pa2 (entre le puits Artésien-Pt10 et le parc de Choisy-Pt19) et le parcours global Glob. Tout d’abord, il est intéressant de voir si le sens du parcours a un effet significatif sur la qualité d’un parcours, plus long que les segments de parcours étudiés dans les paragraphes précédents.

Il est ainsi possible d’observer les agréments sonores perçus sur chacune des parties en fonction du sens où elles ont été parcourues. Si il existe une influence forte du point d’arrivée ou de départ, ou de l’emplacement d’un point particulièrement marquant du parcours (avenue bruyante, parc), il serait alors possible d’observer une différence significative sur la note d’agrément sonore perçue sur cette partie, puisque ces parties se terminent par des environnements différents surtout sur le parcours Pa1. En effet, la rue Corvisart est jugée très désagréable tandis que le puits Artésien est jugé agréable.

(a) (b) (c) Figure 17 : Distribution des agréments sonores pour l’ensemble des segments qui composent les 3 parties du parcours Pa1 (a), Pa2 (b) et Glob (c).

L’observation (voir Figure 17), et l’analyse ANOVA (p>0.05 dans tous les cas), ne permet pas d’observer une influence du sens du parcours sur l’agrément sonore perçu. Il serait alors possible de conclure que l’agrément sonore perçu d’un parcours long est directement lié à l’ensemble des agréments sonores des environnements sonores qui le composent sans influence particulièrement de l’ordre de leurs enchainements ou de la position des événements les plus marquants.

Puisqu’il n’y a pas d’influence du sens du parcours sur les réponses à l’agrément sonore des trois parties Pa1, Pa2 et le parcours global Glob, nous pouvons regrouper les données perceptives dans les deux sens du parcours. Sur la Figure 18, on peut observer l’agrément sonore perçu pour chacune de ces parties.

Grâce à une analyse ANOVA de Kruskal-Wallis, on observe que les parties Pa1 et Pa2 ont un agrément sonore perçu significativement différent (voir Tableau 14).

Tableau 14 : p-value d’une ANOVA Kruskal-Wallis p-values Pa1 Pa2 Glob Pa1 0,000419 0,282395

Pa2 0,000419 0,098411

Glob 0,282395 0,098411

En rouge p<0.05

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 30

Figure 18 : Distribution de l’agrément sonore perçu pour les trois parties évaluées du parcours Pa1, Pa2 et Glob.

Il est alors intéressant de regarder la distribution des agréments sonores sur les différents points qui composent les 3 différentes parties du parcours (voir Figure 19) ainsi que la distribution des agréments sonores sur les différents segments qui le composent (voir Figure 20) .

(a) (b) (c) Figure 19 : Distribution des agréments sonores pour l’ensemble des points qui composent les 3 parties du parcours Pa1 (a), Pa2 (b) et Glob (c).

(a) (b) (c) Figure 20 : Distribution des agréments sonores pour l’ensemble des segments qui composent les 3 parties du parcours Pa1 (a), Pa2 (b) et Glob (c).

Il est possible d’observer que les tendances entre la Figure 18, la Figure 19 et la Figure 20 sont communes, ce qui tend à montrer que l’évaluation d’un parcours se réalise en fonction de l’ensemble de l’agrément des points ou des segments qui le composent. Une étude plus détaillée a été effectuée pour comprendre si l’agrément d’un parcours global est influencé par le point ou le segment le plus agréable ou le plus désagréable, quel que soit le sens du parcours. Elle fait l’objet de la tâche T3.1 sur la modélisation de l’agrément des parcours (voir §5.1).

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 31

4.1.5. Parcours commentés

La mise en place de l’expérimentation T2.1 a requis une certaine organisation qu’il a été possible de mettre à profit pour la réalisation d’une étude parallèle. Dans le cadre d’un stage de l’étudiant Victor Santoni en Master 1 de géomatique de l’université de Cergy-Pontoise, 10 personnes participant à l’expérience in situ T2.1 ont accepté de réaliser, en plus des questionnaires, un parcours en commentant librement l’environnement sonore.

L’étude des enregistrements a permis de s’intéresser particulièrement aux effets de coupures telles qu’ils sont entendus dans le cadre théorique développé au sein du laboratoire CRESSON. Une cartographie sonore « sonocarto » a été produite, consultable librement à l’adresse suivante : http://goo.gl/f8mTjV.

4.1.6. Conclusion sur les évaluations des situations et des parcours sonores in situ

Parmi les résultats de l’expérience in situ, certaines conclusions peuvent être retenues :

 Il existe une robustesse dans la caractérisation qualitative et perceptive des environnements sonores (voir Cart_ASUR).

 Il est montré dans cette étude que la direction de parcours n’a pas d’influence significative sur l’évaluation de l’agrément sonore en chacun de ses points d’évaluations sauf si ce point se trouve à proximité d’un fort changement d’environnement sonore. Cependant ce phénomène n’est que très peu visible dans notre étude. Nous considérerons donc par la suite que la part de variabilité dû à l’environnement sonore qui précède le lieu de l’évaluation n’a pas besoin d’être pris en compte dans la définition d’un modèle général d’agrément sonore d’un lieu.

 Pour les évaluations des parcours, lorsque le parcours est de courte durée, l’agrément du point d’arrivée a une influence sur l’agrément du parcours. Cet effet de récence semble disparaître lorsque le parcours s’allonge.

 Les espaces de transition ont tout de même été particulièrement remarqués lors d’une étude qualitative (voir stage Victor Santoni §4.1.5). Ces zones de transition n’ont d’influence sur la perception de l’agrément sonore que si elles sont brusques traduisant un changement d’ambiance important.

Au vues de ces résultats, des expériences en laboratoire ont donc été focalisées sur l’évaluation globale des parcours urbains (voir T2.2), en vue de proposer pour chacun des points étudiés, et pour chacun des parcours étudiés, des modèles perceptifs et physiques (voir T3.1) basés sur des régressions linéaires multiples.

4.2. Etude des changements d'ambiance sonore en laboratoire (T2.2)

Deux tests en laboratoire ont été mis en place afin de mieux appréhender la manière dont le piéton évalue l’agrément sonore d’un parcours en milieu urbain. Les stimuli présentés dans l’expérience n°1 sont très contrôlés, et permettent de mieux comprendre les effets perceptifs en jeu lors de ce type d’évaluation à posteriori. L’expérience n°2 est plus proche de la réalité et plus immersive dans le but d’observer si ces effets perceptifs subsistent lors de l’augmentation de la complexité des séquences sonores et en particulier la perception visuelle.

4.2.1. Experience n°1 stimuli uniquement audio

Les tests d’écoute ont été réalisés dans le laboratoire d’évaluation perceptive de l’Université de Cergy Pontoise. Il s’agit d’une salle semi-anéchoïque. Les évaluations ont été menées individuellement : les participants étaient assis sur une chaise, devant un ordinateur montrant les instructions du test (voir Figure

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 32

21). Pour cette expérience, une image très floue d’un environnement urbain était projetée sur un large écran situé derrière l’ordinateur dans le but d’avoir une luminosité réaliste. En effet, pour l’expérience n°1, les stimuli étaient purement audio. Les séquences ont été diffusées à travers la technique transaurale, en utilisant un système de reproduction 2.0. Les enregistrements avaient auparavant été effectués à l’aide d’un système binaural. Un signal de calibration (1kHz à 94 dB) avait alors été enregistré afin d’ajuster le niveau sonore au sein de la salle d’écoute. Un groupe de 30 personnes a participé à l’expérience. Les participants ne connaissaient pas les hypothèses du test et ils ont reçu une compensation monétaire.

Figure 21 : Salle d'écoute, dans le cadre de l’expérience n°1, image fixe et floue, dans le cadre de l’expérience n°2 stimuli audio-visuels.

Seize séquence sonore ont été reconstruites, toutes basées sur une combinaison de 2 séquences sonores initiales, appelées α et β, de 1’30’’ chacune dans le but d’étudier l’effet de la structure temporelle des parcours. Les 16 séquences sonores résultantes avaient une durée de 3 minutes, ce qui correspond au temps médian d’un parcours dans la ville de Paris. La séquence α a été enregistrée dans un parc (Pt19), et la séquence β à proximité d’un large boulevard (Pt2). Les 16 séquences sonores ont été construites avec des transitions lentes ou rapides entre α et β, en évoluant du calme vers le plus bruyant et inversement.

Comme première étape, et dans le but de se familiariser avec l’expérience les participants devaient évaluer sur une échelle allant de 1 à 11, l’agrément sonore des séquences initiales α et β après leur écoute. Puis les 16 séquences ont été diffusées pour chaque participant dans un ordre aléatoire. Les participants devaient alors noter en temps réel l’agrément sonore (P). Puis à la fin de la séquence, les participants devaient évaluer l’agrément sonore de l’extrait dans son ensemble (GP).

La Figure 22 présente la moyenne et l’écart type de la note donnée en temps réel par l’ensemble des participants.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 33

Figure 22 Moyenne et écart-type des notes données en temps réel par les participants.

On peut observer une large variété de parcours avec des transitions plus ou moins rapides. Le Tableau 15 présente la moyenne des notes données en fin de parcours (notes rétrospectives) par l’ensemble des participants, ainsi que la moyenne pour chaque parcours des notes instantanées. Tableau 15 Notes moyennes (Pmean) et notes rétrospectives sur les 16 parcours

Sequence Pmean GP ΔGP-Pmean Sequence Pmean GP ΔGP-Pmean

A1 [훂훃훃훃 fast] 3.7 2.9 -0.74 C1[훃훃훂훂 fast] 4.8 4.2 -0.58

A2[훃훂훃훃 fast] 3.4 2.6 -0.9 C2[훃훃훂훂 medium] 4.7 4.3 -0.42

A3[훃훃훂훃 fast] 3.5 3.4 -0.1 C3[훃훃훂훂 slow] 4.2 3.5 -0.70

A4[훃훃훃훂 fast] 3.1 3.4 0.4 D1[훂훂훃훃 fast] 4.6 4.9 0.33

B1[훃훂훂훂 fast] 5.8 6.4 0.6 D2[훂훂훃훃 medium] 4.5 5.6 0.96

B2[훂훃훂훂 fast] 6.0 6.3 0.26 D3[훂훂훃훃 slow] 3.6 4.1 0.47

B3[훂훂훃훂 fast] 5.6 5.7 0.1 E1 [훃훂훃훂 fast] 4.9 4.8 -0.11

B4[훂훂훂훃 fast] 6.1 5.6 -0.45 E2 [훂훃훂훃 fast] 4.8 5.1 0.3

Cette expérience a été particulièrement utile pour mettre en évidence l’effet de récence 2, comme biais cognitif à l’évaluation de l’agrément sonore du parcours. Les analyses détaillées des résultats de cette expérience sont présentées dans la partie 5.1.2.

4.2.2. Expérience n°2 stimuli audio-visuels

Cette expérience était basée sur 10 séquences audio-visuelles d’environnements sonores urbains enregistrées sur le parcours au cours du mois de mai 2015 à l’aide d’une caméra portable ©GoPro. L’enregistrement et la reproduction audio s’est fait de la même manière que dans l’expérience précédente. Cette fois-ci l’information visuelle a été conservée dans le but de maximiser l’immersion des participants. Chacune de ces séquences comprenait un ou deux espaces de transitions marquées. Ces 10 séquences correspondaient à 5 chemins, parcourus dans les deux sens, afin de tester l’hypothèse d’un effet de récence sur l’évaluation de ces séquences dans leur ensemble. Avant de commencer l’évaluation de ces séquences, chacun des environnements sonores homogènes du parcours ont été testés en position fixe.

2 L'effet de récence désigne la facilité à rappeler les derniers éléments d'une liste de stimuli que l'on doit mémoriser ou dans notre cas, des derniers instants d’une séquence.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 34

Puis les 10 séquences ont été présentées aux participants dans un ordre aléatoire ; les participants devaient comme pour l’expérience précédente noter l’agrément sonore en temps réel puis l’agrément sonore de l’ensemble de la séquence à la fin de celles-ci. Un groupe de 30 participants a participé à cette expérience.

Le test est donc décomposé en deux parties:

 Lors de la première partie les sujets devaient évaluer selon les mêmes variables que lors de l’expérience T2.1 un ensemble de 10 extraits audiovisuels (voir Figure 23). Il s’agit des points Pt2, Pt3, Pt5, Pt7, Pt11, Pt13, Pt15, Pt17, Pt19 et d’un point situé sur l’avenue Tolbiac à l’angle avec le passage du Moulinet.

Figure 23 : Capture d’écran de la première partie de l’Exp. T2.2

 Lors de la deuxième partie du test, les sujets devaient évaluer en temps réel l’agrément sonore des extraits audiovisuels projetés. Le sujet pouvait à l’aide d’un simple mouvement de souris, modifier la valeur de la barre de contrôle (ici en rouge) et ainsi indiquer l’agrément sonore instantané (voir Figure 24). Les extraits audiovisuels ont une durée de 3 minutes et il s’agit de 5 trajets que le sujet parcourt virtuellement dans ses 2 sens.

Figure 24 : Capture d’écran de la deuxième partie de l’Exp. T2.2

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 35

La Figure 25 présente la moyenne et l’écart type de la note donnée en temps réel par l’ensemble des participants.

Figure 25 Moyenne et écart-type des notes données en temps réel par les participants.

On peut observer une large variété de parcours avec des transitions plus ou moins rapides. On observe également une plus grande complexité dans les appréciations données par les participants que lors de l’expérience n°1.

Le Tableau 16 présente la moyenne des notes données en fin de parcours (notes rétrospectives) par l’ensemble des participants, ainsi que la moyenne pour chaque parcours des notes instantanées. Tableau 16 Notes moyennes (Pmean) et notes rétrospectives sur les 10 parcours

Sequence number Trajets Indices Pmean GP ΔGP-Pmean S1 Av.Tolbiac–Passage Vendrezanne T-V 5.3 6.2 0.9 S2 Passage Vendrezanne-Av.Tolbiac V-T 6.1 6.7 0.6 S3 Jardin Brassaï-Avenue Blanqui Br-Bl 4.8 4.9 0.1 S4 Avenue Blanqui - Jardin Brassaï Bl-Br 4.6 5.6 0.9 S5 Av. Italie –Rue du Moulinet I-M 5.2 5.8 0.7 S6 Rue du Moulinet - Av. Italie M-I 5.2 4.8 -0.4 S7 Parc Choisy- 2 av.-Av. Choisy ChP-D-ChA 6.1 7.5 1.4 S8 Av. Choisy - 2 av.- Parc Choisy ChA-D-ChP 5.9 7.2 1.3 S9 Av. Choisy – Av. Italie – 2 av. ChA-I-D 4.0 4.8 0.8 S10 2 av.- Av. Italie - Av. Choisy D-I-ChA 4.4 4.0 -0.4

Cette expérience a permis de mettre en évidence la disparition de l’effet de récence lorsque l’immersion est plus grande et que les extraits sonores sont plus réalistes, notamment via la présence plus importante d’évènements sonores (passage de 2 roues, éclats de rires, etc.). Les analyses détaillées des résultats de cette expérience sont présentées dans la partie 5.1.2.

4.2.3. Influence des conditions expérimentales

Neuf points de la zone d’étude ont été évalué à la fois sur le terrain et dans l’expérience n°2. Au sein d’une collaboration avec l’Université Tres de Febrero en Argentine, la première partie de l’expérience n°2 a été

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 36

répliquée dans deux autres conditions expérimentales. Le but était alors d’observer l’influence des conditions expérimentales et du pays d’origine sur l’évaluation de l’agrément sonore et de l’intensité sonore globale d’une situation sonore urbaine.

Ces travaux ont fait l’objet d’une publication commune au congrès international d’acoustique :

En voici le résumé et la conclusion :

Être capable de caractériser et d’estimer la perception du son en milieu urbain est un point fondamental pour améliorer la qualité environnementale des habitants. Durant cette dernière décennie, des études se sont concentrées à collecter des données perceptives sur l’agrément sonore en un point spécifique de la ville. Certaines d’entre elles ont été menées sur le terrain afin d’englober l’ensemble du contexte. D’autres études ont été réalisées en laboratoire afin de mieux contrôler les stimuli et afin d’augmenter le nombre de participants possibles évaluant le même environnement sonore. La plupart des expériences en laboratoire sont faites dans des environnements très contrôlés (salles semi-anéchoïques, équipements de reproduction de grande qualité, calibrations objectives, etc.) afin de respecter au maximum la validité écologique des expériences. D’un côté, même si le niveau d’immersion est important, le contexte du laboratoire n’est pas aussi riche que le terrain et il est alors intéressant d’étudier si ces deux types d’expériences mènent à des résultats différents. D’un autre côté, peu d’études montrent l’influence de la dégradation des conditions expérimentales en laboratoire sur la réplication d’une expérience de ce type. Le travail présenté dans cette étude correspond à une analyse statistique sur les évaluations perceptives sous quatre conditions expérimentales. Premièrement, les évaluations ont été menées sur le terrain dans le 13ème arrondissement de la ville de Paris. Puis des enregistrements audio-visuels de ces mêmes lieux ont été évalués dans trois conditions expérimentales différentes :

 dans un laboratoire avec une haute immersion des participants dans la région parisienne avec des participants français,

 dans un laboratoire d’une université Argentine avec des participants argentins et avec un degré d’immersion moindre,

 puis dans une pièce d’habitation standard avec une calibration subjective des niveaux sonores et avec des participants argentins.

Les résultats obtenus par les différents groupes de participants permettent alors de conclure (voir Figure 26) :  Les différentes conditions expérimentales en laboratoire n’ont pas montré d’impact significatif sur l’évaluation de l’agrément sonore perçu ni de l’intensité sonore perçue.

 Le pays de résidence n’a pas eu d’impact significatif sur la caractérisation des environnements sonores.

 Une calibration objective d’un niveau sonore des stimuli, n’a pas montré d’impact significatif sur la perception de l’agrément sonore et de l’intensité sonore en comparaison à une calibration subjective.

 Quand les facteurs contextuels sont importants (passage d’un véhicule au moment de l’évaluation et pas dans l’enregistrement ou l’inverse) lors de la caractérisation d’un environnement sonore, les évaluations perceptives en laboratoire peuvent ne pas être en accord avec les évaluations sur le terrain.

 Si la longueur des stimuli testés (1 minute) était la plupart du temps suffisante pour la caractérisation de l’environnement sonore, l’utilisation de stimuli plus longs (supérieurs à 3 minutes) est recommandée pour éviter une surreprésentation des sources sonores évènementielles.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 37

Figure 26 : Agrément sonore et intensité sonore perçus pour les 10 points étudiés et pour les quatre conditions expérimentales (médianes et valeurs interquartiles).

Notons que ces conclusions sont valables pour un questionnaire fermé, dans le cadre méthodologique de notre expérience. D’autres recherches sont alors nécessaires pour confirmer l’impact non-significatif de la dégradation des conditions expérimentales tel que proposé dans cette étude sur l’ensemble de la caractérisation de l’environnement sonore en un point.

Néanmoins, la réalisation de tests perceptifs est toujours un compromis entre les ressources matérielles et humaines et le nombre d’hypothèses à évaluer. Si les expériences sur le terrain ou dans des environnements de laboratoires très contrôlés sont nécessaires pour valider des modèles, cette étude tend à montrer que des conditions expérimentales plus faciles à mettre en place peuvent aussi être utiles pour tester de nouvelles hypothèses. En effet, un questionnaire sans la nécessité d’une haute validité écologique peut rapidement être diffusé à un grand nombre de participants et notamment via les outils numériques, et par ce biais, un grand nombre d’hypothèses ou d’environnements sonores pourraient ainsi être testé.

5. Représentations cartographiques (SP3):

Le sous projet 3 doit permettre d’établir des cartes sonores qui illustrent les données physiques recueillies par les capteurs fixes et mobiles, et d’établir des cartes de qualité sonores non plus du point de vue d’une situation donnée, mais du point de vue d’un parcours donné entre deux situations. La tâche T3.1 s’intéresse à la relation qui existe entre données physiques (SP1) et données perceptives (SP2). La tâche T3.2 s’intéresse à la représentation des données physiques collectées et la tâche T3.3 s’intéressera à la représentation de la qualité sonore des parcours.

5.1. T3.1 Modélisation de la qualité sonore

Dans cette partie, des modèles de l’agrément sonore sont proposés, à la fois en chaque point du parcours mais aussi pour l’évaluation du parcours dans son ensemble. Les modèles sont basés soit sur des variables physiques soit sur des variables perceptives. Ce travail est donc la suite du projet Cart_ASUR qui a montré les limites des modèles physiques qui ne se basent que sur l’évolution des niveaux sonores (et pas sur les indices spectraux). Dans ce projet GRAFIC, ces indices sont collectés et permettent d’aller plus loin dans la modélisation de l’agrément sonore.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 38

5.1.1. Modèle de l’agrément sonore en un point du parcours

5.1.1.1. Modèles perceptifs

Des régressions linéaires multiples sont proposées pour estimer l’agrément sonore à partir des paramètres perceptifs. Une optimisation de type « pas à pas » est utilisée. A chaque étape, parmi les trois paramètres sélectionnés par ce processus, le paramètre qui est le plus facilement interprétable a été retenu. La colinéarité entre les variables indépendantes est testée en regardant le facteur d’inflation de variance (VIF). Ce facteur est toujours inférieur à 5 pour les variables retenues dans les différents modèles.

Le premier modèle perceptif proposé se base sur l’unique paramètre de l’intensité sonore globale perçue (OL). Ce modèle explique 82% de la variance sur l’agrément sonore.

Tableau 17 : Modèle de régression de l’agrément sonore à partir de l’intensité sonore N=75 b* Std.Err. b Std.Err. t(73) p-value Intercept 12,49 0,34 36,48 0,00 OL -0,91 0,05 -0,98 0,05 -18,45 0,00 R²adj=0.82, RMSE=0.88, F=341.0***(p<0.001)

푃 = ⁡12.49 − 0.98 ∗ 푂퐿⁡ Equation 3

En introduisant des paramètres additionnels, on améliore significativement la prédiction, avec une variance expliqué qui atteint 90%.

Tableau 18 : Modèle de régression entre l’agrément sonore et 4 variables perceptives

N=75 b* Std.Err. b Std.Err. t(70) p-value VIF Intercept 10,96 0,39 28,42 0,00 OL -0,64 0,07 -0,69 0,08 -8,90 0,00 3,60 T -0,27 0,07 -0,23 0,06 -3,77 0,00 3,50 V 0,13 0,04 0,13 0,04 2,98 0,00 1,20 B 0,12 0,04 0,10 0,04 2,66 0,01 1,30 R²adj=0.90, RMSE=0.68, F=154.9***(p<0.001)

푃 = ⁡10.96 − 0.69 ∗ 푂퐿 − 0.23 ∗ 푇 + 0.13 ∗ 푉 + 0.10 ∗ 퐵 Equation 4

Dans ce modèle, l’intensité globale perçue (OL) a le plus fort coefficient avec bOL = -0.69. La présence du trafic routier est associée à un coefficient négatif, tandis que la présence des voix et des oiseaux est relié positivement à l’agrément sonore ce qui traduit la relation déjà connue entre les sons naturels et l’agrément sonore.

Même si ces modèles sont précis et riches en information, ils sont peu utiles dans un contexte applicatif car ils nécessitent la collecte de données perceptives. A la place, les modèles basés sur des variables physiques, représentatives des variables perceptives, mais mesurables sans le besoin d’une évaluation participative sont alors proposés dans le chapitre suivant.

5.1.1.2. Modèles physiques

Des régressions linéaires multiples ont été construites pour estimer l’agrément sonore sur les différents points d’évaluations. Les indicateurs physiques les plus corrélés avec les paramètres perceptifs ont été retenus. Le premier modèle proposé inclut uniquement le paramètre L50,1kHz. Ce modèle explique 70% de la variance de l’agrément sonore (R²adj=0.70, RMSE=1.14, F(1,73)=168,83***(p<0.001)).

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 39

Tableau 19 : Modèle de régression de l’agrément sonore à partir du L50,1kHz b* Std.Err. B Std.Err. t(73) p-value Intercept 20,66 1,10 15,91 0,000 L50,1kHz -0,84 0,06 -0,28 0,02 -13,00 0,000

푃 = ⁡20.66 − 0.28 ∗ 퐿50,1k퐻푧 Equation 5

Un deuxième modèle est construit en introduisant les paramètres physiques les plus corrélés avec le temps de présence du trafic, des voix et des oiseaux (voir Tableau 11). Le 퐿50,250k퐻푧 est rejeté des analyses bien que corrélé avec le trafic routier car il est également très corrélé avec L50,1kHz (VIF > 5). Tableau 20 : Modèle de régression de l’agrément sonore construit avec 3 indices acoustiques

N=75 b* Std.Err. b Std.Err. t(71) p-value VIF Intercept 16,54 1,65 10,03 0,000 L50,1kHz -0,76 0,07 -0,25 0,02 -11,54 0,000 1,20 TFSDmean,500Hz 0,16 0,06 19,03 7,30 2,60 0,011 1,00 TFSDmean,4kHz 0,15 0,07 11,5 5,00 2,30 0,024 1,20

푃 = ⁡16.54 − 0.25 ∗ 퐿50,1k퐻푧 + 19.0 ∗ 푇퐹푆퐷mean,500퐻푧 + 11.5 ∗ 푇퐹푆퐷mean,4푘퐻푧 Equation 6

En introduisant les variables TFSDmean,4kHz et TFSDmean,500Hz dans la modélisation, la part de variance expliqué augmente significativement, atteignant 73% (R²adj=0.73, RMSE=1.1, F(3,71)=66.375***(p<0.001)).

La différence du pouvoir descriptif entre le modèle physique (R²adj=0.73) et le modèle perceptif (R²adj=0.90) est notable et pourrait certainement être plus faible si les paramètres physiques étaient de meilleurs descripteurs des paramètres perceptifs. Ainsi des recherches approfondies sur l’identification des sources sonores à partir de mesures devraient particulièrement être poursuivies.

5.1.1.3. Application de ces modèles dans un contexte cartographique

Les modèles proposés ci-dessus, ainsi que le modèle proposé dans l’étude de Cart_Asur sont testés à l’échelle du parcours. Le but, est d’évaluer le pouvoir prédictif de ceux-ci dans un contexte cartographique, dans lequel la carte doit être représentative d’une certaine période de temps. Dans le but d’évaluer le pouvoir prédictif de chacun de ces modèles, les coefficients de corrélation entre l’agrément sonore simulé et évalué ainsi que les erreurs moyennes (RMSE) sont présenté dans le Tableau 21.

Tableau 21 : Corrélations entre agrément perçu et modélisé par les différents modèles de l’étude, ainsi que les erreurs moyennes. Modèles Paramètres pris en compte r RMSE Perceptif B – Eq. 4 OL,T,V,B 0.98** 0.37 Perceptif A – Eq. 3 OL 0.95** 0.61

Physique B – Eq. 6 L50,1kHz, TFSDmean,500Hz, TFSDmean,4kHz 0.97** 0.53

Physique A – Eq. 5 L50,1kHz 0.95** 0.73 Perceptif Cart_ASUR OL, T, V, B 0.97** 0.76

La Figure 27 présente l’agrément sonore prédit sur chacun des points d’évaluations, par les différents modèles à l’échelle du passage. Les quatre modèles proposés dans cette études permettent une estimation très précise de l’agrément sonore perçu (r >0.9 et RMSE <1), ainsi que le modèle proposé dans le projet Cart Asur. A la vue de ces résultats, ces modèles pourraient être proposés pour la réalisation de cartographies sonores plus proches de la perception des lecteurs grâce aux sources prises en compte, mais aussi plus faciles à lire pour un lecteur naïf étant donné l’échelle d’agrément sonore, plus simple à comprendre que l’échelle physique du niveau sonore en dB(A).

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 40

Figure 27: Agrément sonore évalué aux différents points (en noir) et agréments sonores issus des modèles (a) perceptifs et (b) physiques.

5.1.1.4. Conclusion

Un modèle perceptif incluant l’« intensité sonore perçue », le « temps de présence perçu » de la circulation, des oiseaux et des voix permet d’expliquer 90% de la variance de l’agrément sonore. Un modèle physique incluant des indicateurs acoustiques originaux permet d’expliquer 73% de cette même variance. Lorsque les évaluations sont moyennées sur chacun des points d’évaluation, la corrélation entre l’agrément sonore moyen évalué et modélisé par le modèle perceptif atteint r=0.98, et la corrélation entre l’agrément moyen évalué et modélisé par le modèle physique atteint r=0.97. Ces résultats laissent penser que l’utilisation de tels modèles dans un contexte cartographique pourrait être recommandée.

5.1.2. Modèle de l’agrément sonore global du parcours

Les bénéfices sur la santé de l’activité physique journalière, et de la marche en particulier sont largement reconnus. Cependant, la marche en environnement urbain mène inévitablement à se confronter à une exposition importante au bruit qui se trouve être la contrepartie du choix de ce mode de déplacement. Être capable d’estimer l’agrément sonore associé à une marche urbaine permettrait alors d’informer les piétons sur la qualité sonore du parcours qu’ils ont à effectuer, ce qui peut les amener à modifier et optimiser le choix de leur parcours. Ces dernières années de nombreuses études se sont focalisées sur la caractérisation de l’environnement sonore en un point, mais peu d’entre elles s’intéresse à l’évaluation d’un parcours.

Dans ce projet, l’analyse des différentes expériences réalisées nous permet de définir des modèles d’agrément sonore du parcours, en fonction à la fois des agréments sonores qui le compose, mais aussi directement à partir des mesures physiques.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 41

5.1.2.1. Trajets très courts (~1 minute)

Lors de l’expérience In Situ, l’agrément sonore de chacun des courts segments parcourus entre les points d’évaluations a été évalué par les participants. Une mise en relation de l’agrément sonore de ces très courts trajets (d’environ 1 minute) et de l’agrément perçue de l’environnement sonore à chaque extrémité permet de proposer un premier modèle de l’agrément sonore au cours d’un trajet.

Le meilleur modèle de l’agrément sonore du trajet en fonction des agréments de ses deux extrémités peut s’écrire comme suit :

푆푃 = 0.85 + 0.45 ∗ 푃푚푒푎푛 + 0.44 ∗ 푃푒푛푑 (Equation 7)

R²adj=0.83, RMSE=0.74, F=165***(p<0.001)

Avec SP la note d’agrément du trajet, Pmean la note moyenne entre les deux extrémités et Pend la note de l’extrémité vers laquelle le participant se dirige. On observe alors une nette influence de la note finale du trajet. Il s’agit de la mise en évidence de l’effet de récence, un biais cognitif connu, qui peut être décrit comme la tendance à mieux se rappeler des derniers instants d’une séquence à mémoriser.

5.1.2.2. Trajets médians (3 minutes)

Au vu des résultats obtenus pour de courts trajets, l’expérience n°1 (voir 4.2.1) a été proposée dans un laboratoire et à l’aide de stimuli très contrôlés afin d’analyser plus précisément cet effet de récence. Le temps du parcours choisi est de 3 minutes, correspondant au temps de parcours médian d’un piéton dans la ville de Paris.

Lors de cette expérience, de nouveau l’effet de récence a été mis en évidence. En effet, comme nous pouvons l’observer sur le Tableau 15 (voir 4.2.1), pour un trajet globalement désagréable, plus l’événement agréable se trouve sur la fin, plus notre appréciation globale du parcours est positive et inversement.

Un modèle est proposé à partir de la moyenne de la note d’agrément sur les 3 minutes Pmean ainsi que de la note d’agrément de la fin du parcours Pend (les 30 dernières secondes étant toujours constante dans notre plan d’expérience, il s’agit alors de la note moyenne sur les 30 dernières secondes). Ce modèle s’écrit comme suit :

퐺푃 = −1.04 + 0.96 ∗ 푃푚푒푎푛 + 0.22 ∗ 푃푒푛푑 (Equation 8)

R²adj.=0.95 / RMSE=0.27 / F=136 (p< 0.001)

L’on observe une nouvelle fois, une influence de la note finale du parcours, même si cette influence est moins forte que dans l’expérience précédente. On peut alors émettre l’hypothèse que lorsque le parcours s’allonge, l’effet de récence tend à diminuer. On peut aussi noter que d’autres facteurs d’influence ont été étudiés comme la note maximale donnée pendant le parcours ou encore la rapidité des transitions, mais aucun effet de ces facteurs n’a été mis en évidence.

Une seconde expérience a alors été mise en place afin de vérifier ce modèle dans le cadre d’environnements moins contrôlés. En effet, l’expérience n°2 (voir 4.2.2) incluait la présence de vidéos et les extraits sonores étaient beaucoup plus complexes.

Cependant, dans le cadre de cette expérience, le fait de parcourir chacun des 5 trajets proposés dans un sens puis dans l’autre n’a pas permis de mettre en évidence un effet de récence. On peut alors émettre l’hypothèse que lorsque l’environnement sonore se complexifie et lorsque notre perception inclue la présence de la vision, l’effet de récence tend à diminuer ou disparaître.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 42

Le modèle final retenu est alors directement fonction de la note moyenne de l’agrément sonore continu sur les 3 minutes : Pmean. Notons que ce modèle permet tout de même de d’expliquer 85 % de la variance totale.

5.1.2.3. Trajets longs (> 10 minutes)

Lors de l’expérience réalisée in Situ, les participants ont aussi eu à évaluer l’agrément sonore de l’ensemble du parcours (~40 min.), et de chacune de ses moitiés (~20min.). A partir de l’agrément de l’ensemble des environnements sonores qui composent ce parcours, un modèle peut alors être construit. La Figure 28, présente l’agrément sonore global en fonction de l’agrément sonore de l’ensemble des points du parcours.

Figure 28 Agrément sonore global de chacune des parties du parcours évalués en fonction de l’agrément sonore moyen sur l’ensemble des points d’évaluation du parcours (Part 1 : première moitié, Part 2 : deuxième moitié, et Route : trajet total). De nouveau, l’agrément sonore moyen de l’ensemble des points qui composent le parcours semble le meilleur indicateur de l’agrément global de celui-ci (r=.8, p<0.005). Notons tout de même, que ces résultats doivent être pris avec précaution car l’échantillon ne contient que 12 éléments sur un unique parcours. Nous observons tout de même que pour ces trajets, le sens de parcours à très peu d’importance malgré des environnements sonores très différents à chacune des extrémités du parcours, et de ce fait, l’effet de récence n’est pas non plus mis en évidence.

Enfin, dans le cadre de cette dernière expérience, un modèle est proposé afin de décrire l’agrément sonore global (GP) du trajet en fonction des mesures physiques recueillies sur celui-ci. Le modèle linéaire qui explique la plus large part de la variance (54%) est basé sur l’indicateur de niveau sonore L50. Il s’écrit comme suit :

GP=21.5-0.24*L50

R²adj.=0.54 / RMSE=0.77 / F(2,10=11.6 (p< 0.01)

A partir de ce modèle et à l’aide d’un algorithme d’optimisation du meilleur chemin (algorithme Dijkstra implémenté dans le logiciel OrbisGis), une première version d’un outil est proposée pour qu’un piéton puisse connaître non seulement le chemin le plus court, mais aussi le moins bruyant avec alpha, un paramètre permettant d’ajuster le compromis entre ces deux critères (voir Figure 29).

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 43

Figure 29 : Choix d'itinéraires en fonction de l'exposition à différents environnements sonores : le facteur α permet de préciser la demande: plus α est grand, plus l'agrément sonore est recherché (α=0 pour l'itinéraire le plus court).

5.1.2.4. Conclusion

Au cours de ce projet, les résultats des deux expériences en laboratoire ainsi que l’expérience sur le terrain, permettent donc de conclure que :  L’agrément sonore d’un segment d’environ 1 min. peut être correctement estimé à partir des évaluations de l’agrément sonore à ses extrémités (voir expérience In Situ).  La modélisation de l’effet de récence améliore significativement l’estimation de l’agrément sonore globale de courts segments (1 min.- voir expérience In Situ). Cet effet tend cependant à décroitre ou même disparaitre quand les parcours sont de plus en plus longs (comparaison entre In Situ et Expérience 1) ou réalistes (comparaison entre Expérience 1 et Expérience 2).  L’agrément sonore de l’ensemble d’un parcours de plus de 3 minutes dans des conditions réalistes ou sur le terrain peut être correctement estimé à partir de la simple moyenne arithmétique des agréments sonores qui le composent.

Ces trois expériences permettent mieux d’appréhender comment la structure temporelle des séquences sonores urbaines influence le piéton sur l’évaluation de l’agrément sonore d’un parcours. En combinant ces résultats avec des recherches permettant de connaître l’agrément sonore en tout point à partir des mesures physiques (voir chapitre précédent), il est possible d’avoir une estimation de l’agrément sonore d’un parcours dans un environnement sonore urbain. D’autres recherches devront néanmoins être menées afin d’améliorer l’estimation de cet agrément sonore, notamment sur des chemins plus réalistes ou variés (plus de parcs, boulevards, petites rues, etc.), et afin d’étudier une plus grande variété d’échelles temporelles pour donner naissance à des modèles d’autant plus universels.

5.2. Cartographie des grandeurs physiques à partir des mesures collectées (T3.2)

L’objectif de la tâche T3.2 est de proposer une cartographie des indicateurs physiques d’intérêt (voir T.3.1), s’appuyant sur les données mobiles collectées. La pertinence des données mobiles pour la réalisation de cartographie des niveaux de bruit a déjà été démontrée, notamment dans le cadre du projet Cart_ASUR ou dans [Can et Gauvreau, 2015].

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 44

Ici, la nouveauté réside dans l’estimation d’indicateurs autres que le LAeq. La réalisation des telles cartes nécessite un travail de recherche sur trois points :

 Le traitement de la donnée brute collectée, nécessite de corriger les données de géolocalisations recueillies, et d’agréger les mesures pour la cartographie des indicateurs acoustiques (partie 1);

 Les données acoustiques mobiles collectées peuvent être corrigées (elles sont souvent entachées d’erreur) en s’appuyant sur un réseau de mesures fixes. Cela nécessite néanmoins de déterminer les fonctions de transferts existant entre les stations fixes et les stations mobiles, ce qui n’a jamais fait encore l’objet d’études (partie 2);

 L’estimation d’indicateurs avancés par la mesure mobile, et plus encore par la modélisation, s’avère délicate. Des relations statistiques peuvent être proposées pour l’estimation d’indicateurs acoustiques non accessibles directement (partie 3).

L’avancement de ces trois points permettra la proposition de cartographies continues des indicateurs acoustiques d’intérêt qui, une fois couplées aux relations entre perception et indicateurs physiques déterminées par ailleurs, permettront la proposition de cartographies continues de l’agrément sonore.

Dans une première partie, dans le cadre du stage de fin d’études de Guiral Desnos, il est proposé une comparaison entre les mesures fixes et les mesures mobiles de ce projet. Puis dans la section 5.2.3, dans le cadre du stage de fin de cycle ingénieur de Sven Michel, une méthode est proposée afin d’associer la modélisation, qui permet d’obtenir une estimation continue dans l’espace du LAeq, et l’élaboration de relations liant le LAeq aux autres indicateurs physiques, en fonction d’indicateurs géographiques (importance des rues, pourcentage de vert, etc.).

5.2.1. Partie 1 : Correction des données géo-référencées

Les données mobiles sont composées de mesures de niveaux de bruits et de géo-référencements. Il est alors possible de localiser la station mobile dans le temps et dans l’espace. Seulement la localisation spatiale est parfois peu précise. Le signal GPS est parfois perdu à cause du masquage provoqué par les bâtiments (cf. Figure 30a & Figure 30b). Un post-traitement sur les mesures est nécessaire pour corriger ces erreurs. Il s’agit alors de faire correspondre les points de mesure avec la route que devrait emprunter la trace GPS, grâce à plusieurs paramètres :

- routes les plus proches, - vitesse maximale de déplacement (marche, environ 5 km/h), - direction du déplacement par rapport à la direction de la route.

Il a donc été nécessaire de créer pour le projet un script sous le logiciel de programmation Matlab qui effectue cette tâche (cf. Figure 31a et Figure 31b).

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 45

(a) (b)

Figure 30. Trace GPS des mesures des stations mobiles sans modification (a) sur l’ensemble de la zone d’étude ; (b) zoom sur une partie de la carte. (a) (b)

Figure 31. Trace GPS des mesures de stations mobiles après correction (a) sur l’ensemble de la zone d’étude ; (b) zoom sur une partie de la carte.

5.2.2. Partie 2 : Comparaison entre mesures fixes et mobiles

5.2.2.1. Contexte

La mesure à l’aide de réseaux de capteurs mobiles est une alternative aux méthodes classiques de cartographie du bruit, basé sur la modélisation du niveau sonore du trafic routier. Cette technique est particulièrement utile afin de décrire l’environnement sonore avec une fine résolution spatiale et temporelle et en prenant en compte l’ensemble des sources. Elle peut être réalisée à l’aide de sonomètres et récemment l’utilisation de téléphones portables fait son apparition. En effet, c’est un outil utile pour permettre de créer des cartes sonores participatives, à grande échelle, de faible coût, et donc avec potentiellement un impact plus important sur la prévention de l’exposition au bruit [N. Maisonneuve et al, 2009].

Pour pouvoir utiliser des mesures mobiles dans le cadre d’élaboration de carte sonore, il est important de déterminer le degré de confiance qui peut être accordé à ces données, mais aussi la manière de les assimiler avec des mesures fixes et des cartographies sonores. Il est aussi intéressant de pouvoir estimer le temps de mesure et le nombre de mesures à réaliser pour avoir des informations représentatives de l’environnement sonore.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 46

La comparaison des données mobiles avec des mesures fixes de long terme, considérées comme des références, permet alors d’identifier les écarts entre ces deux méthodologies. Dans un deuxième temps, il s’agira alors d’identifier les causes de ces écarts pour pouvoir définir des fonctions de transferts.

5.2.2.2. Représentativité spatiale des mesures mobiles

L’objectif de cette partie est de définir la distance entre les stations mobiles et fixes pour laquelle les mesures sont représentatives des mesures fixes. Cette distance doit être un compromis pour conserver le plus possible de mesures mobiles mais ne pas intégrer des mesures qui ne sont plus cohérentes par rapport à celles des stations fixes (par exemple, celles qui proviendraient d’une autre rue).

Afin d’analyser la représentativité des données mobiles, le coefficient de corrélation entre les mesures mobiles et les mesures fixes, noté ρ (Equation 9), est calculé pour les passages des stations mobiles près des stations fixes.

푁 1 퐴̅̅̅−̅̅̅휇̅̅ 퐵 − 휇 휇 ∶ 푚표푦푒푛푛푒⁡푑푒⁡푋 𝜌(퐴, 퐵) = ⁡ ∑ ( 푖 퐴) ( 𝑖 퐵) ⁡⁡⁡⁡⁡⁡푎푣푒푐⁡⁡⁡⁡⁡⁡ { 푋 ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(Equation⁡9) 푁 − 1 𝜎퐴 𝜎퐵 ⁡⁡⁡𝜎푋 ∶ é푐푎푟푡⁡푡푦푝푒⁡푑푒⁡푋 𝑖=1

Dans un premier temps, une recherche est effectuée pour identifier la meilleure corrélation entre les mesures mobiles au pied des stations fixes (à 10 secondes du point de la station mobile le plus proche de la station fixe), dans le but de recaler les mesures du fait d’éventuels décalages temporels. Puis, le calcul de ρ est effectué en fonction de la distance d’intégration de nouvelles données mobiles. Plus ce temps est important plus les données mobiles sont a priori distantes de la station fixe.

Figure 32. Indice de corrélation moyen sur toutes les points d’études entre les mesures fixes et mobiles pour un⁡푳풆풒,ퟏퟎ풔. La Figure 32 montre que la corrélation maximale observée est ρ = 0.4, ce qui est relativement faible. Ceci s’explique surement par les différences entre les méthodes de mesures mobiles et fixes : hauteur de mesure, déplacement, obstacle à la propagation du son (voitures garées sur le bord de la chaussée,…), décalage temporel dû aux passages de véhicules (si la station mobile n’est pas juste à côté de la station fixe), incertitudes de mesures, etc. Il est tout de même possible d’observer une forte décroissance entre 10s et environ 25s avec un seuil après 30s. L’hypothèse suivante est alors prise en compte : l’opérateur réalisant les mesures mobiles se déplace à une vitesse d’environ 1 m/s, ce qui implique que une seconde est équivalente à un mètre (1s α 1 m). Des études précédentes ont montré que le rayon d’une zone homogène en environnement urbain est d’approximativement 25m [L. Brocolini, 2012]. Nos résultats sont en accords avec ces observations. Pour la suite, seules les données des mesures mobiles au passage dans un rayon de 25m autour des stations fixes sont prises en compte (cf. Figure 33).

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 47

5.2.2.3. Représentativité temporelle des mesures mobiles

Il s’agit maintenant d’évaluer le temps nécessaire de mesure à l’aide des stations mobiles pour que les indicateurs sonores soient représentatifs de ceux mesurés par les stations fixes sur une période d’une heure. En effet, cette période est classiquement utilisée en acoustique urbaine. Il s’agit aussi d’analyser les écarts de mesures entre les stations fixes et mobiles.

La différence entre les mesures fixes et mobiles est notée ε (cf. Equation 10). Elle est calculée entre les mesures instantanées des stations mobiles et les indicateurs calculés sur 1h à l’aide des stations fixes et moyennés sur l’ensemble des passages de stations mobiles (cf. Figure 33 et Figure 34). Cette moyenne a du sens car l’ensemble des mesures mobiles ont été effectué entre 10h00 et 12h00 et de 14h00 à 16h00, périodes de la journée où les environnements sonores pour chacun des points d’études sont similaires. Notons qu’une évolution de la méthode de calcul de ces valeurs est en cours, déterminée à l’aide de ces mêmes périodes mais sur l’ensemble du mois de la campagne de mesure.

휺 = 퐹푖푥푒60푚𝑖푛 − 푀표푏푖푙푒1푠,푝푎푠푠푎푔푒⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(Equation⁡10)

Les indicateurs acoustiques suivant sont utilisés dans cette partie :

Tableau 22. Liste des indicateurs acoustiques utilisés pour le calcul des fonctions de transferts.

Notations Indicateurs Acoustique

푳풆풒 Niveau de pression acoustique continu équivalent

푳푨풆풒 Niveau de pression acoustique continu équivalent pondéré A

푳ퟏ Niveau de bruit dépassé 1% du temps, pics de bruit

푳ퟏퟎ Niveau de bruit dépassé 10% du temps, émergence

푳ퟓퟎ Niveau de bruit dépassé 50% du temps, médiane

푳ퟗퟎ Niveau de bruit dépassé 90% du temps, bruit de fond

푳ퟏퟎ − 푳ퟗퟎ Ecart entre le bruit de fond et les émergences

Figure 33. Zone sonore homogène autour d’une station fixe dessinée avec le logiciel Qgis afin d’extraire les données mobiles.

Les données mobiles au passage près des stations fixes sont sélectionnées à l’aide du logiciel Qgis, en réalisant une union entre les données des stations mobiles et des zones de rayon 25 mètres et sur la rue du point d’étude (voir Figure 33). Toutes les données des mesures mobiles comprises dans ces zones sont ensuite importées sous Matlab pour en effectuer le traitement.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 48

Pour le calcul de ε, les données mobiles utilisées sont des séquences construites de manière aléatoire. Les mesures mobiles étant de courte durée (quelques minutes), construire ces séquences permet d’utiliser toutes les mesures disponibles et dans leurs intégralités. Les mesures mobiles ayant été réalisées à des périodes de la journée ou l’environnement sonore est similaire. Ainsi, les séquences tendent à donner des informations représentatives de cette période (Figure 34). Le ε est calculé 10 fois. En effet, en augmentant la répétition sur des échantillons sélectionnés aléatoirement, on améliore la robustesse de nos conclusions.

1- Mesures mobiles aux passages.

2- Construction d’une séquence avec les passages mobiles de manière aléatoire.

3- Doublement de la séquence.

4- Calcul des indicateurs acoustiques 30 s, 60 s, 90 s, …, N s.

5- Les opérations (1) (2) (3) (4) sont répétées 10 fois.

Figure 34. Schéma descriptif de la méthode utilisée pour la construction des séquences aléatoires des mesures mobiles au passage.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 49

Pour connaître les différences entre les mesures fixes et mobiles sur chacun des indicateurs, il faut au préalable déterminer à partir de combien de temps ou à partir de combien de passages, les données mobiles sont représentatives du niveau sonore au point d’étude. La convergence des variations des données mobiles (ΔLmobile) est alors analysée pour chaque station. Lorsque ΔLmobile est suffisamment faible, nous pouvons considérer que les mesures sont suffisantes pour être représentatives de la valeur à plus long terme.

Il faut cependant prendre en compte que le nombre de données mobiles collectées près des stations fixes n’est souvent pas assez conséquent pour faire de ces résultats un modèle statistique, les convergences ΔLmobile analysées ici sont dues, en partie, au recouvrement induit par la méthode utilisée de construction des séquences aléatoires.

Figure 35. Histogramme du nombre de station par rapport à la plus petite valeur vers laquelle leurs Δε convergent.

La convergence de ΔLmobile n’est pas la même suivant les indicateurs et les stations fixes. La Figure 35 montre que dans 90% des cas, ΔLmobile converge avec une précision de ±2 dB dans tous les cas. Cela implique d’observer ensuite le temps de convergence, à savoir en combien de temps ΔLmobile converge avec une précision de ±2 dB, quels que soit la station fixe et l’indicateur acoustique.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 50

Figure 36. Histogramme du nombre de station par rapport au temps de convergence de Δε.

Figure 37. Histogramme du nombre de station par rapport aux valeurs de ε.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 51

La Figure 36 montre que dans la plupart des cas, station fixe et indicateur, ΔLmobile converge en moins de 600 secondes, soit moins de 10 minutes, vers une valeur précise à ±2 dB. Pour environ 80% des cas la convergence ce fait en moins de 300 secondes, soit 5 minutes et une grande partie en moins de 100 secondes (environ 1min30). Certains indicateurs convergent plus rapidement que d’autres, par exemple le ΔLmobile du 퐿50 converge systématiquement vers une valeur précise à ±2 dB en moins de 350 secondes, soit moins de 6 minutes. Les indicateurs 퐿퐴푒푞 et 퐿푒푞 mettent plus de temps à converger dans certain cas, car ils sont très sensibles aux émergences. De même pour les indicateurs d’émergences tel que le 퐿1, le 퐿10 , le 퐿10 −⁡퐿90 . Afin d’effectuer une analyse station par station et pour chacun des indicateurs acoustiques, les valeurs ε sont récupérées lorsque 5 minutes de mesures ont été effectuées et donc ΔLmobile est inférieur ou égal à ±2 dB.

Il est alors possible de chercher à connaître la différence qui existe entre les mesures mobiles et fixes sur l’ensemble de nos points d’étude. Les stations 257, 263, 267 et 269 ont été retirées de cette partie. En effet, la station 263 a été retirée du projet, la station 267 ne fonctionnait pas lorsque les mesures mobiles ont été effectuées et les stations 257 et 269 apportaient des résultats très incohérents. La station 257 était dans une impasse, aucune station mobile n’est passée à proximité et la station 269 était trop éloignée de la voie pour comparer ses données avec celles des mesures mobiles. Tableau 23. Tableau récapitulatif des différences ε à 5 minutes pour chaque station et chaque indicateur acoustique.

푳 푳 푳 푳 푳 푳 푳 −⁡푳 푨풆풒 풆풒 ퟓퟎ ퟏ ퟏퟎ ퟗퟎ ퟏퟎ⁡ ퟗퟎ ε [dB] ε [dB] ε [dB] ε [dB] ε [dB] ε [dB] Station Type de ε [dB] Etage Fixe Rue ±2 dB ±2 dB ±2 dB ±2 dB ±2 dB ±2 dB ±2 dB 251 Grande Rue R+1 -5,79 -1,94 0,54 -3,97 -3,64 1,41 -5,06 252 Petite Rue R+2 -0,31 2,20 2,49 2,02 1,72 3,36 -1,64 253 Grande Rue R+2 1,82 1,38 1,22 2,81 0,97 3,07 -2,10 254 Parc R+5 1,75 1,56 3,24 -0,99 1,33 4,47 -3,14 255 Parc R+2 -1,82 -3,76 -1,20 -6,09 -3,85 1,51 -5,35 256 Petite Rue R+2 -6,66 -2,23 1,22 -5,66 -2,56 1,33 -3,89 258 Petite Rue R+4 -3,92 -9,19 -4,77 -12,11 -9,65 -2,33 -7,32 259 Petite Rue R+1 2,53 2,66 -3,02 5,86 0,99 -0,93 1,92 260 Grande Rue R+3 -0,37 0,90 0,18 2,11 1,37 0,48 0,89 261 Petite Rue R+5 -8,28 -1,18 -4,47 2,56 -2,85 -2,11 -0,74 262 Parc R+1 0,54 0,48 2,90 -2,12 0,79 4,39 -3,60 264 Petite Rue R+3 -0,99 -1,72 -0,17 -2,21 0,25 -1,26 1,51 265 Petite Rue R+5 -6,82 -10,03 0,56 -11,60 -0,93 1,64 -2,58 266 Grande Rue R+2 -0,16 3,56 3,77 3,15 3,35 4,11 -0,76 268 Petite Rue R+4 -6,25 -6,26 -4,69 -4,48 -9,02 -0,53 -8,49 270 Grande Rue R+3 2,13 2,11 2,12 3,14 0,42 2,31 -1,88 271 Petite Rue R+2 -9,01 -5,19 -3,21 -8,96 -5,37 5,86 -11,24 272 Parc R+3 4,10 2,29 2,29 2,87 1,81 1,52 0,29 273 Petite Rue R+1 -4,47 -1,73 0,83 -6,01 -2,40 4,04 -6,44 274 Petite Rue R+4 2,09 2,25 3,21 1,26 1,83 5,77 -3,94 275 Parc R+1 1,11 -0,49 -0,55 1,83 -2,88 0,31 -3,19

Le Tableau 23 et la Figure 37 montrent dans un premier temps que le 퐿50 semble être l’indicateur le plus approprié pour effectuer des mesures mobiles. En effet quelle que soit la station fixe la différence ε est systématiquement comprise dans un intervalle d’environ [-5dB, +5dB]. Son ΔLmobile converge rapidement vers une valeur précise ±2 dB et son ε varie très peu en fonction du type de rue dans laquelle la mesure est effectuée.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 52

Le 퐿퐴푒푞 et le 퐿푒푞 sont très sensibles aux évènements sonores. La captation de ces évènements est très différente si elle est réalisée à partir d’une station fixe ou une station mobile, et pour cela ces indicateurs prennent parfois des valeurs de ε très importantes. C’est particulièrement le cas pour des stations fixes se trouvant dans des petites rues avec peu de passages de véhicules et des trottoirs proches des voies de circulations. Les mesures mobiles étant réalisées sur ces trottoirs, elles sont très probablement beaucoup plus exposées aux évènements sonores et donc, probablement pour cette raison, affiche des résultats allant parfois jusqu’à ε = -10 dB.

5.2.3. Partie 3 : Relations entre indicateurs acoustiques

L’élaboration de relations statistiques est un moyen permettant de déterminer des indicateurs acoustiques non accessibles directement (notamment par la modélisation). Ce travail a fait l’objet d’un stage de fin d’études (cursus ingénieur) en 2015, réalisé par Sven Michel. Cette section est extraite du rapport de stage qui en a découlé [Michel, 2015].

L’objectif de cette section est de savoir estimer des indicateurs tels que ceux utilisés précédemment (à savoir LA,50, σLAeq,1s, CGS[20Hz-20kHz], NNELA,50+10) à partir de la seule connaissance du LAeq qui est accessible via les cartes de bruit modélisées. Les niveaux moyens utilisés ici sont les LAeq issus des mesures, ce qui permet d’approcher au mieux les relations inter-indicateurs. L’erreur issue des modèles de carte de bruit sera par la suite à prendre en compte, mais n’est pas l’objet du présent travail. Ces relations sont calculées avec Matlab.

5.2.3.1. Régression linéaire a- Principe de la régression

La régression est une méthode statistique permettant d’analyser la relation entre plusieurs variables. La régression la plus simple couramment utilisée est la régression linéaire qui calcule, à partir d’une série de données (à deux variables ou plus, voir régression linéaire multiple) l’équation de la droite approximant le mieux la distribution de points. « Le mieux » est ici entendu au sens des moindres carrés (l’algorithme tend à minimiser la somme des carrés des écarts entre valeurs données et valeurs estimées par la régression). Etant donnée la faible quantité de points de mesures, réaliser des régressions à l’aide de polynômes de hauts degrés3 présenterait un risque de sur-ajustement (overfitting), c’est-à-dire augmenter l’adéquation de la régression aux données, mais perdre toute capacité de prédiction. b- Erreurs et coefficient de détermination

Afin d’évaluer la pertinence d’une régression, le coefficient de détermination, souvent noté R², est calculé. Pour une série de données (xi , yi), son calcul est le suivant :

∑ ( )2 2 𝑖 푦𝑖 − 푓𝑖 푅 = 1 − 2 ∑𝑖(푦𝑖 − 푦̅)

où 푦̅ est la moyenne de la série de données yi, et fi est la valeur estimée par la régression.

Ne disposant pas d’autres points de mesures pour vérifier les relations à venir, les régressions sont appliquées au corpus de mesures en écartant un point puis testées sur le point écarté. Cette méthode communément appelée « Validation croisée n-1 » (leave-one out cross-validation) simule l’apport d’un nouveau point et permet de vérifier la robustesse des relations déterminées à l’aide des régressions [Wilks, 2006]. L’erreur est ainsi tour à tour déterminée pour les 23 points à l’aide de l’erreur quadratique moyenne (RMSE4) :

3 n n-1 Un polynôme de degré n (de la forme anx + an-1x + … + a1x +a0) estime parfaitement n+1 points 4 Root-mean-square-error

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 53

(푦 − 푓 )2 RMSE = √ 푘 푘 , 푘 = 1: 23 푘 n c- Justification des régressions par classe

Les Figure 38 et Figure 39 représentent deux droites de régression tracées pour le LA,50 (à gauche) et le CGS[20Hz-20kHz] (à droite) en fonction du LA,eq, chaque indicateur étant moyenné sur l’ensemble des points 10mn. Les couleurs correspondent aux cinq classes observées en Période Complète. Une discussion est faite au paragraphe 5.3 sur les méthodes de classifications développées dans le cadre de ce projet. Les résultats présentés dans cette partie du rapport s’appuient sur la classification présentée au §Erreur ! ource du renvoi introuvable..

Figure 38. Régression linéaire sur l’ensemble Figure 39. Régression linéaire sur l’ensemble des des points, LA,50 en fonction de LA,eq, mesures points, CGS en fonction de LA,eq, mesures « 10 « 10 min » moyennées sur la période complète min » moyennées sur la période complète

La première régression est très bonne (R² = 0,94). En revanche, pour le CGS, aucune relation, même autre que linéaire, ne semble apparaitre sur l’ensemble des points (régression linéaire : R² = 0,13). C’est le cas pour tous les indicateurs acoustiques précédemment étudiées en dehors de LA50. Cette absence de relation sur l’ensemble de points souligne l’intérêt qu’il y a à définir des classes où l’environnement sonore est homogène. Chaque environnement sonore étant différent, les relations entre indicateurs sont vraisemblablement plus proches pour des points au sein d’une même classe qu’entre des points de classes différentes. De plus, au-delà les relations intra-classes, la classification permet de raffiner l’estimation des différents indicateurs en fonction du LAeq au sein de chaque classe.

Une autre vue est représentée (Figure 40 et Figure 41 ci-dessous) en projetant toutes les mesures (un point toutes les 10 minutes pour les 23 points de mesures), les mêmes couleurs correspondant aux mêmes classes. Notons la forme caractéristique de la relation LA50 / LAeq : du fait de la moyenne énergétique, il est exceptionnel que le LAeq soit inférieur au LA50.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 54

Figure 40. Projection de toutes les données « 10 Figure 41. Projection de toutes les données « 10 min », tous points mesures, LA50 en fonction de min », tous points de mesures, CGS en fonction de LAeq, période complète LAeq, période complète

Par ailleurs, les régressions réalisées sur les valeurs moyennes des indicateurs (sur les 23 points) ont été comparées à celles réalisées à partir de toutes les données « 10 min ». Une meilleure cohérence avec les données « 10 min » est obtenue, car : (i) les valeurs moyennes ignorent l’évolution temporelle des niveaux en un même point de mesure, (ii) le faible échantillon pour les valeurs moyennes peut conduire à des régressions erronées. Un exemple manifeste est représenté Figure 42, pour la classe 1, σLAeq,1s en fonction de LAeq en Période Complète (points 1, 10, 12 et 16 représentés de couleurs différentes).

Régression à partir des données « 10 min »

Régression à partir des moyennes

Figure 42. Comparaison des régressions sur données « 10 min » et moyennes, σLAeq,1s en fonction de LAeq, période complète, classe 1

Les relations entre indicateurs sont donc recherchées à partir des données « 10 min ». L’étude est réalisable pour les 4 périodes précédemment étudiées, mais seule la période complète sera exposée. La comparaison des relations obtenues entre périodes Jour, Soir et Nuit devra faire l’objet d’un travail complémentaire.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 55

d- Régressions et calcul d’erreur

Certaines droites de régression obtenues comme celle de σLAeq,1s (l’écart-type) mettent en évidence des relations qui se distinguent clairement selon les classes (Figure 43). Il est à noter que les régressions sont calculées à partir des mesures « 10 min » de tous les points dans chaque classe, bien que ce soient les valeurs moyennes qui sont représentées pour faciliter la lecture du graphe.

Figure 43. Représentation des régressions linéaires sur données « 10 min » par classe et des valeurs moyennes, σLAeq,1s en fonction de LAeq, période Complète

Par exemple, si un nouveau point de mesure était classé dans la classe 3 (vert), son écart-type pourrait alors être estimé à partir de la régression ci-dessus par :

𝜎퐿퐴푒푞,1푠 = 0.12 ∗ 퐿퐴푒푞 − 3.1⁡(푑퐵)

Notons que cette relation n’est valable que pour une plage restreinte de valeurs de LAeq. Cependant, du fait de la classification, il est très peu probable qu’un point dont le LAeq n’est pas compris dans cette plage de valeurs appartienne à la classe 3. A cette relation doit s’ajouter l’erreur de l’estimation. Chaque point de mesure a donc été écarté tour à tour, afin de tester la robustesse des estimations données par les régressions construites sans ce point. Le RMSE est ainsi calculé pour chaque point (Figure 44).

Figure 44. Représentation des erreurs des régressions par point (« validation croisée n-1 ») et par indicateur, Période Complète.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 56

L’erreur sur l’estimation d’un indicateur est calculée comme étant la moyenne des 23 erreurs obtenues. L’équation pour la classe 3 devient ainsi :

𝜎퐿퐴푒푞,1푠 = 0.12 ∗ 퐿퐴푒푞 − 3.1⁡ ± 1.1⁡(푑퐵)

Par exemple, pour un point ayant pour valeur LAeq = 53 dB et appartenant à la classe 3, l’écart-type est estimé et vaut :

𝜎퐿퐴푒푞,1푠⁡(퐿퐴푒푞 = 53⁡푑퐵) = 3.3⁡ ± 1.1⁡(푑퐵)

Une erreur de 1,1 dB est très satisfaisante, même si elle correspond à une erreur relative de 15 à 35% selon la classe à laquelle il appartient (selon les valeurs d’écarts-type qui varient de 2 à 7 dB). En effet, il n’existe pas à l’heure actuelle à notre connaissance d’autre méthode permettant d’estimer les indicateurs calculés ici autrement que par la mesure.

5.2.3.2. Relations avancées

L’objectif de cette section n’est plus de présumer de la forme linéaire des relations entre indicateurs, mais de s’appuyer sur la distribution des valeurs mesurées pour établir des « tables de correspondance » plus complexes (sortes d’abaques) entre le LAeq et les indicateurs considérés. a- Densité de la distribution

La méthode proposée utilise pour chaque classe la médiane de la distribution des mesures « 10 min », pour chaque tranche de 1 dB du LAeq. La distribution des mesures a été représentée dans différentes projections (différents indicateurs en fonction de LAeq) par densité (pour l’écart-type en Figure 45). Cette représentation souligne les valeurs les plus fréquentes des indicateurs. L’échelle à droite correspond au nombre de mesures « 10 min » donnant Yi par tranche de 1 dB de LAeq. Par exemple, on peut lire que le nombre d’occurrences pour σLAeq,1s = 3,5 dB et pour un LAeq compris entre 53 et 54 dB est supérieur à 300, pour un total de données « 10 min » de :

6⁡(푑푖푧푎푖푛푒푠⁡푑푒⁡푚푖푛푢푡푒푠)⁡∗ ⁡24⁡(ℎ푒푢푟푒푠)⁡∗ ⁡7⁡(푗표푢푟푠)⁡∗ ⁡5⁡(푠푒푚푎푖푛푒푠)⁡∗ ⁡푛표푚푏푟푒⁡푑푒⁡푝표푖푛푡푠⁡푑푒⁡푙푎⁡푐푙푎푠푠푒, = ⁡5040⁡ ∗ ⁡푛표푚푏푟푒⁡푑푒⁡푝표푖푛푡푠⁡푑푒⁡푙푎⁡푐푙푎푠푠푒.

La médiane de la distribution (en rouge) et les indices fractiles 10 % et 90 % (en vert) sont également représentés, calculés également pour chaque tranche de LAeq de 1 dB. Il est à noter que ces courbes perdent en signification aux extrémités car elles sont construites à partir de mesures principalement comprises dans l’intervalle [52 dB – 60 dB] (pour cette classe). De plus, des points ayant des valeurs de LAeq en dehors de cet intervalle ont une probabilité très faible d’être classés dans la classe 3.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 57

Indices fractiles 10 % et 90 % Médiane

Figure 45. Représentation de la densité des données « 10 min », projection σLAeq,1s en fonction de LAeq, période Complète, classe 3 b- Relations à partir de la médiane et calcul d’erreur

La médiane peut être utilisée pour l’estimation des indicateurs en se substituant aux droites de régression. Son allure lui permet d’améliorer la précision de l’estimation mais ne peut pas engendrer de relation simple telle une équation, d’où la nécessité de construire des abaques qui, pour chaque classe, donnent la valeur d’un indicateur pour chaque LAeq (par « tranche » de 1 dB). La méthode de validation croisée a donc été derechef appliquée pour estimer l’erreur (Figure 46).

Figure 46. Représentation des erreurs des médianes par point (« validation croisée n-1 ») et par indicateur, période Complète

Si un nouveau point était ajouté dans la classe 3 (précédemment en vert), période complète, son LAeq pourrait être déterminé à l’aide des cartes de bruit, et son écart-type ainsi estimé. Par exemple, pour un nouveau point dans la classe 3 avec LAeq = 55 dB, la Figure 45 donnerait une estimation de l’écart-type, où 1,2 est l’erreur moyenne représenté dans l’histogramme Figure 46 :

𝜎퐿퐴푒푞,1푠 = 3.8 ± 1.2⁡(푑퐵)

Il est déjà remarquable que l’erreur faite sur l’estimation de l’écart-type ne soit pas plus basse que par la méthode des régressions linéaires, alors qu’il aurait pu être attendu une estimation plus précise. Cela est sans doute dû à l’aspect linéaire de l’évolution de la médiane, en fonction du LAeq, pour l’intervalle [52 dB – 60 dB], qui contient la majorité des points de la classe 3. En observant l’histogramme correspondant (Figure 46), deux points se distinguent particulièrement pour avoir une erreur importante : les points GL16 et GL22

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 58

(le point GL16 se démarquait déjà dans les erreurs des régressions pour l’écart-type). Ces erreurs viennent du fait que ces deux points sont des « extrémités » de leurs classes respectives. Ceci est observable dans la Figure 42 et la Figure 43. De ce fait, les relations construites pour les valeurs de LAeq correspondant à ces points perdent en fiabilité. Ce genre de singularités laisse penser que les classes, et les relations entre indicateurs au sein des classes, pourraient être affinées avec plus de points de mesures.

5.2.3.3. Discussion

Les deux méthodes étudiées ici semblent montrer des résultats plutôt bons et semblables. Alors qu’il aurait pu être attendu que la médiane estime plus précisément que la régression linéaire, il est montré que les erreurs commises dans les deux cas sont du même ordre. Ceci est explicable par le fait que la médiane est vraisemblablement sur-ajustée (overfitted) aux points à partir desquels elle a été calculée et estime ainsi mal un nouveau point, notamment lorsque la classe comporte certains points un peu en marge de celle-ci.

Ces relations demanderaient à être vérifiées et affinées à l’aide d’autres mesures. De même, les méthodes utilisées pour chercher les relations entre indicateurs pourraient être consolidées dans de futures études. Etudier plus de points de mesures permettrait d’éviter le sur-ajustement. Notons enfin qu’une erreur vient s’ajouter dans l’estimation des indicateurs dans un cas opérationnel, qui est l’erreur commise lors de la classification à partir des données SIG : si un point est attribué à une mauvaise classe, les indicateurs seront estimés avec la mauvaise relation, ce qui peut engendrer des fortes erreurs qu’il conviendra à l’avenir de chiffrer. C’est pour cela que la classification est un point qui a été particulièrement étudié dans ce projet. Le paragraphe ci-dessous présente l’état des travaux effectués par les différentes équipes. Un travail de synthèse doit donc être engagé dans la prochaine phase de ce projet afin de choisir au mieux les classes sur lesquelles seront construits les modèles.

5.3. Méthodes de classifications

5.3.1. Travaux de l’Université de Gand

Ce travail a été réalisé dans le cadre du projet GRAFIC, mais il a aussi bénéficié d’un fond de soutien à la recherche FWO. Le texte présenté ci-dessous est extrait d’un article de conférence :

5.3.1.1. Human mimicking soundscape for clustering analysis

In general, persons walking in the street will not focus their attention on sound in particular. Listening in search of particular sounds is not the purpose of being at this location [Axelsson et al., 2010]0. Thus a model evaluating soundscape should account for the attention mechanisms underlying noticing of a sound: saliency, attention focussing and gating, inhibition of return, etc. In [Botteldooren et al. 2015] we proposed such a model. Since then, the model has been refined to implicitly include most of the above mechanism [Oldoni et al. 2015]. The recurrent artificial neural network (R-ANN) that has been used in the current work starts from a feature vector that includes 4 intensity, 6 spectral contrast and 4 temporal contrast features all based on the 125 ms temporal resolution and 1/3 octave band spectral resolution raw data. As these features correspond to the features used in [Boes et al. 2013] for deriving saliency of sounds, saliency driven attention mechanisms are automatically included. Thus, in the neural network, high saliency sound input will cause strong excitations in the input layer, and consequentially in the whole network, thus effectively introducing a bias of the network towards turning attention to salient sounds. These features form the 768 neurons in the input layer of the R-ANN. The weights connecting the three layers of the ANN and the recurrent paths are trained by unsupervised training on co-occurrence of features. The recurrent paths cause additional neural excitation for neurons corresponding to the sounds that are currently being attributed attention to by the network, thus effectively implementing top-down attention. Competitive selection is implemented by a biologically inspired intra-layer excitation-inhibition mechanism in order to

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 59

make a selection amongst the neurons within each layer. Finally, the mechanism of inhibition-of-return is also included, as a neural excitation reducing mechanism as a consequence of continuous stimulation of the neuron, mimicking the gradual depletion of neurotransmitters in real neurons.

After training on several months of measured data, the 400 output nodes of the R-ANN now converge to representing sounds that occur frequently and are salient. Where sounds are defined as combinations of spectro-temporal features. Adding meaning – or in other words labelling – requires a supervised learning step that is not required for the application envisaged. Indeed, grouping and clustering of soundscapes or even detecting uncommon or outlying sounds does not require the system to know which meaning a human would give to these sounds. For interpretation one may identify the response to sounds that are expected to significantly influence the soundscape.

At any point in time (125 ms resolution) the R-ANN yields an excitation pattern of the 400 output nodes. These are now grouped over observation periods: day, evening, and night, giving a collection of ‘sounds’ that will be paid attention to over this time interval. Finally these sets of sounds can now clustered into soundscapes. Note that we use the term soundscape here to refer to a collection of sounds that will be noticed by an average observer at this location thus ignoring inter-individual differences and context dependence in the soundscape perception and understanding. Clustering performed using Ward's minimum variance clustering.

As this analysis is very cpu-time consuming only short time intervals could be analysed in a reasonable time frame. In particular for the winter period Saturday Feb 14th until Friday Feb 20th 2015 was used, for spring Thursday May 7th until Wednesday May 13th 2015. Locations 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 15, 16, 19, 22 and 23 were used (Figure 47).

Figure 47: Location of the sensor nodes in Paris

Figure 48 shows the dendrogram resulting from Ward's minimum variance clustering on the output of the R- ANN on these data. A distance of 35 was used to group the soundscapes.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 60

Figure 48: Dendrogram resulting from the clustering algorithm with main classes of soundscapes shown in colour These clusters are now further analysed on the context in which they appear. Figure 49 shows where these soundscapes can be found during the evening, the day and the night. In addition we analysed the clusters also with respect to season, day of the week, and listened to specific fragments (not shown in this paper). From this analysis we conclude that the ‘red’ soundscape is strongly influenced by human voices; the ‘yellow’ soundscape contains a lot of restaurant sounds such as forks and knifes hitting a plate, glasses; the ‘cyan’ soundscape is dominated by a rather continuous traffic sound; the ‘green’ and ‘purple’ soundscapes contain a mixture of low intensity traffic sound and sounds of people but the ‘purple’ variant seems more related to the night.

Figure 49 : Occurrence analysis of the soundscape clusters identified by colours; the circles fractions refer to the percentage of the analysed time interval that this location matches a particular soundscape cluster; upper left=day, upper right=evening, lower=night.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 61

To validate the above clustering results, which were obtained through a human-mimicking computational model, a small questionnaire was administered to the participants of the focus group workshop that was organized on March 13, 2017, and to which inhabitants of the study area were invited. This questionnaire contained a sheet on which participants were asked to label the colors that are shown in Figure 49, for the day and evening situations. Participants were instructed to imagine the soundscape at the locations, and to use any words they deemed fitting. For example, Figure 50 shows the sheet that was used for the evening situation.

soirée Dans la carte ci-dessus, les couleurs correspondent à différents paysages sonores qui sont rencontrés dans ce quartier. La taille des portions dans chaque cercle représente le pourcentage de temps où chaque paysage sonore est observé. Connaissant ces lieux, pouvez vous reconnaitre à quel type d’environnement sonore chaque couleur correspond?

………………

Figure 50: Labeling question asked to the participants at the workshop.

The answers of the participants were then coded and aggregated into a number of classes. No significant differences in labels related to colors were found between the day and evening situations. Tableau 24 shows a verbal description of the most indicated class for each color, together with the percentage of participants that gave a label within this class to the color. As a reference, the labels obtained through the human-mimicking model are shown in the rightmost column.

Color Percentage Verbal description Label from model 65% Calm and tranquil, with trees and birds Low intensity traffic and people 83% Some traffic, little activity Human voices 86% A lot of traffic, very animated Low intensity traffic sound 90% High sound level, chaotic, traffic jams Continuous traffic 63% Animated, terraces and bars Restaurant sounds Tableau 24 : Main verbal description given to each of the colors on the map, together with the labels obtained through the human-mimicking cluster analysis.

Overall, there is a relatively good correspondence between the verbal descriptions given by the participants of the workshop, and the labels obtained through the classification using the human-mimicking model. The ‘green’ and ‘red’ soundscapes correspond in both cases to a relatively tranquil situation, whereas the ‘purple’ and ‘cyan’ soundscapes correspond in both cases to a situation dominated by traffic noise. Finally, the ‘yellow’ soundscape (only present in the evening scenario) is in both cases identified as a situation with mainly sound from bars and restaurants. Due to the limited number of participants to the workshop (10), a quantitative statistical analysis was not possible, but these qualitative results at least give good confidence that the human-mimicking model is providing a soundscape classification that well resembles a classification made by humans.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 62

5.3.1.2. Big data analysis approach for detecting outliers

The second approach ignores any detailed consideration on human perception and treats the data purely as numbers. That is, the interpretation of spectral shape and temporal fluctuation over one minute epochs are still considered. The basic datasets fed to the machine learning algorithm look like the one represented in Figure 51. A Gaussian mixture model (GMM) is now used to summarize these one-minute grouped spectra in a small number of features: n Gaussians with their central frequency and amplitude and their 3 parameters describing width and orientation. In human language the Gaussian components could be interpreted as for example: a high frequency sloping spectrum, a low frequency broad peak, or a strongly varying high frequency component.

In order to detect outliers or to cluster between locations and time, the 5n features extracted per minute over a whole year and a number of different measurement locations can now be collected. This huge amount of data is again clustered using a GMM model. The choice of GMM for this clustering is inspired by watching the distribution of features in the 5 dimensional space, which shows a number of distinct clear groups of data. The GMM combined with the AIC criterion will assign a number of clusters, Nc. Each cluster represents a prototypical one-minute feature vector that is often encountered in coding one-minute grouped spectra using GMM. During analysis, a minute where all Gaussian components strongly belong to one of the clusters can be called typical, a minute where at least one of the Gaussian components does not belong to any of these Nc clusters is an outlier or strange sound event.

Figure 51: Example of one-minute grouped spectra together with Gaussian approximations

An urban sound sensor network can be used to identify the typical (in sound levels or soundscape) but in terms of permanent deployment of such a sensor network, the possibility for detecting outliers or rare situations may be more appealing. The R-ANN for sound identification may be used for this purpose yet it has a few disadvantages. Firstly, as the method is trained on detecting and identifying sounds that often occur, it is by definition not going to respond appropriately when a new sound occurs. Secondly, the method is rather slow. Finally, it focusses only on sounds that people are likely to notice and not all sounds that might indicate a situation that requires intervention. Thus we mainly rely on the blind big data approach for this purpose. As an example, outliers detected at the location shown in Figure 52 are explored.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 63

Figure 52: Google streetview image of the location for which outlier sound minutes are detected as an example; the microphone is the small black dot in the open window in the middle of the picture on the first floor. The GMM clustering the Gaussians representing one minute data between October 2014 and November 2015 results in Nc=42 in this case. If one of the Gaussians needed to represent the one-minute data does not fall in any of these Nc clusters, the minute is marked as containing an unexpected sound event. The number of outliers thus detected depends on the threshold set on the membership to the clusters. In the example, 1257 minutes were detected. Some examples are shown in Figure 53. A couple of human experts were asked to review the spectra and indicate whether there was something in them that could make them worthy of attention in their opinion. About 70% of the detected minutes were confirmed to be unexpected spectra for an urban environment by the human evaluators (true positives).

Figure 53: Four typical example spectra out of the 265 outlying sound minutes detected during the one year period at the location shown in Figure 52; x-axis=1/3 octave band, y-axis=unweighted level

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 64

5.3.1.3. Conclusion

Data mining on urban sound sensor networks allows to extract useful knowledge not only on the sound environment and how it is perceived by users of the urban space, but also on the function of the city and on situations that might require intervention. During the GRAFIC project such a sound sensor network was deployed in the city of Paris. Two innovative techniques have been used to analyse the big datasets. Firstly, a human mimicking model for identifying noticed sounds is used to categorize soundscapes. This model relies on a recursive neural network that is trained in an unsupervised way to identify sounds that often occur near one of the sensors. Distinct soundscapes for different areas but also for different times of the day and seasons are identified based on this model.

Outlier detection on the other hand seems to benefit from a faster more generic method. A key factor in the process is to summarise spectrograms in a small number of features. Here Gaussian Mixture Models are used for this purpose. Each Gaussian is defined in a 5 dimensional space. Five Gaussians are usually sufficient to describe the combined spectrogram over one minute. Long term statistics on the GMM components allow to identify whether a minute does not fit the usual and thus qualifies as an unexpected sound that needs further investigating. This rather simple and relatively fast method is quite sufficient as a large majority of detected outliers would qualify as such for a human expert.

5.3.2. Travaux de l’Ifsttar

Comme l’équipe de Gand, l’équipe de l’Ifsattar a cherché à caractériser par des indices en nombre réduits les mesures acoustiques collectées. [Can et Gauvreau, 2015] ont mis en évidence que trois indicateurs sont pertinents et suffisants pour décrire et catégoriser les environnements sonores :

- LA,50, le niveau de pression acoustique pondéré A dépassé 50 % du temps ;

- σLA,eq, l’écart-type des valeurs de LA,eq mesurés toutes les secondes ;

- CGS[50Hz-10kHz], le Centre de Gravité Spectral 50 Hz – 10 kHz calculé comme suit :

- 10⁡푘퐻푧 ∑ 푓 ∗ 10퐿푓/10 푓=50⁡퐻푧

퐶퐺푆[50⁡퐻푧−10⁡푘퐻푧⁡] = 10⁡푘퐻푧 ∑ 10퐿푓/10 푓=50⁡퐻푧

En supplément de ces trois indicateurs, [Can et al. 2015] ont montré qu’une description et une classification plus fine des environnements sonores peut être obtenue en introduisant des indicateurs d’émergences, tels que le L1,A, le MILA50+10: et le MILLF50+15.

La classification de référence sera donc construite à partir de ces trois indicateurs et à l’aide d’un ou deux indicateurs d’émergence supplémentaires.

Grouper les rues selon leurs usages, tel que proposé par [Morillas et al. 2005], permet d’accéder rapidement aux zones homogènes du point de vue du niveau sonore. En revanche, cela ne tient compte que de l’impact des volumes de trafic sur les environnements sonores, alors qu’il est connu que d’autres éléments tels que la présence d’oiseaux, de fontaines ou la forte variabilité des niveaux sonores, peuvent impacter les environnements sonores. Voici deux exemples :

- Le niveau LA,eq d’un boulevard muni de nombreux feux tricolores peut être aussi élevé que celui d’un boulevard périphérique (sans feu). En revanche, l’écart-type du niveau LA,eq, qui représente la variabilité de ce dernier, sera plus élevé dans le boulevard à feux, car l’alternance rouge-vert provoque une variation périodique des niveaux de bruit. Sur le boulevard périphérique, le niveau de bruit est beaucoup plus constant et présente donc un écart-type faible. Ces deux environnements seront très différents du point de vue physique (ils appartiennent à deux classes différentes dans [Can et al. 2015]), et du point de vue perceptif ;

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 65

- Les oiseaux (ou fontaines) quant à eux influent sur le centre de gravité spectral, ce qui crée des zones de l’espace urbain aux caractéristiques particulières et perçues comme agréables (voir Can et al. 2015 pour un exemple). Ces éléments sont d’ailleurs utilisés par les paysagistes sonores pour aménager des espaces urbains avec une ambiance sonore de qualité.

Ainsi, la présence ou non de certains éléments dans la ville (feux de circulation, végétation, etc.) a une influence sur l’environnement sonore. Une autre classification est donc réalisable à partir de certains éléments « morphologiques » de la ville, dans lesquels sont par exemple inclus les feux tricolores. Ceci peut potentiellement donner accès aux zones acoustiquement homogènes sur la simple connaissance de données morphologiques. Une telle classification a été réalisée sur les données disponibles dans le cadre du projet GRAFIC.

Données :

- Les mesures acoustiques réalisées à 24 points fixes dans les 13e et 14e arrondissements de Paris. - Les données SIG (Système d’Information Géographique) de la ville de Paris.

Objectifs :

- Déterminer la classification « de référence » à partir des données acoustiques mesurées. - Déterminer à l’aide des données SIG de la ville de Paris les éléments dits « morphologiques » permettant de réaliser une classification qui a priori se rapprocherait d’une classification acoustique - Comparer ces deux classifications et trouver les éléments morphologiques qui permettent la classification la plus pertinente d’après celle de référence.

Le principe de classification repose sur le regroupement des lieux qui ont des propriétés similaires (les critères étant à choisir selon l’intérêt). Les regroupements sont faits ici par classification hiérarchique ascendante car elle facilite l’interprétation des résultats (les deux points les plus proches étant groupés à chaque étape de la classification). 23 points de mesures sont retenus sur les 24 initiaux, car un des sonomètres a dysfonctionné durant la période considérée.

5.3.2.1. Classification de référence

A partir des trois indicateurs acoustiques mis en évidence par [Can et Gauvreau, 2015] et d’un supplémentaire traduisant l’émergence, la classification des points est réalisée. Les indicateurs d’émergence sont liés à l’agrément sonore [Björkman, 1991] (typiquement le passage de poids lourds), c’est pourquoi il parait intéressant de faire intervenir cette dimension dans la classification. Le nombre d’événement dépassant LA,50 + 10 dB (NNEL>LA,50+10) est donc ajouté au triplet LA,50, σLA,eq, CGS[20Hz-20kHz].

La période de mesure considérée s’étend du 08/07/2015 au 11/02/2015 (5 semaines). Les groupes formés sont présentés sous forme de dendrogramme dans la Figure 54. La distance utilisée lors de la classification hiérarchique est la distance euclidienne standardisée ; ainsi la variance de chaque série de donnée est ramenée à 1, ce qui évite que les indicateurs à haute valeur biaisent la classification.

L’écart significatif entre les nœuds permet de mettre en évidence 3 (délimitation en vert) ou 5 (en rouge) classes. La projection des points sur les différentes paires d’indicateurs permet d’analyser les similarités entre les classes acoustiques formées (Figure 55). Ces similarités sont exposées et commentées dans le Tableau 25.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 66

Figure 54 : Classification hiérarchique des points selon les 4 indicateurs acoustiques choisis

Figure 55. Projections des points selon les indicateurs acoustiques utilisés pour la classification (une couleur par classe, 5 classes)

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 67

Similarités entre les points Morphologique (déduit sur la base d’une Acoustiques connaissance du terrain) GL 10 - 185 bd Vincent Auriol - Esc. 34 Boulevards importants, beaucoup de GL12 - 180 avenue de Choisy LA50 élevé, CGS autour circulation, à proximité de la place de 160 Hz GL01 - 69 Boulevard Auguste Blanqui d'Italie GL16 - 51 avenue des Gobelins GL06 - 141 rue du Château des Rentiers GL07 - 58 avenue de Choisy Ecart-type faible, peu Rues moyennes, ou petites à proximité GL11 - 5 rue Philibert Lucot d'émergence, LA50 de rues importantes GL15 - 78-84 rue Brillat Savarin moyen à bas GL22 - 19 rue Godefroy GL02 - 3 rue de la Butte aux Cailles GL04 - 45 Rue Croulebarbe Peu de circulation, cette classe contient GL24 - 140 rue Léon Maurice Nordmann LA50 faible, écart-type le passage Barrault et la rue de la Butte GL09 - 10 passage Barrault moyen, émergences aux Cailles où les voix sont relativement élevées GL14 - 76 rue Barrault particulièrement présentes GL13 - 37 rue Albert GL08 - 5 rue Wurtz GL03 - 138 avenue d’Italie LA50 et écart-type très élevés, CGS haut, GL23 - 198 rue de Tolbiac Rues importantes beaucoup GL21 - 137 avenue de Choisy d'émergences GL05 - 25 bd Arago LA50 moyen, écart- GL17 - 29 Place Jeanne d’Arc type et émergence Rues moyennes GL18 - 26 rue de Rungis élevés, CGS autour de 200 Hz GL20 - 11bis rue de l’Amiral Mouchez Tableau 25. Similarités entre les points appartenant à la même classe (classification acoustique)

5.3.2.2. Extraction des données SIG pour la classification morphologique

Les différentes sources de données sont : IGN (Institut national de l’information géographique et forestière), DEVE (Direction des Espaces Verts et de l’Environnement), APUR (Atelier Parisien d’Urbanisme), DVD (Direction de la voirie et des déplacements) et le plan de la ville. Les indicateurs ont été déterminés à l’aide de QGIS. Notons que l’ensemble des indicateurs utilisé est a priori disponible dans toute ville.

L’objectif de cette extraction est de traduire les données SIG en indicateurs permettant une classification des points. Ces indicateurs ont été sélectionnés selon l’impact qu’ils pouvaient a priori avoir sur les environnements sonores. Ces indicateurs sont liés à la structuration du réseau routier, aux activités et aux zones naturelles.

Dans certains cas, des calculs spécifiques ont été nécessaires ; voici deux exemples : - Pour prendre en compte la présence d’écoles primaires et maternelles à proximité, le « nombre d’écoles à moins de 100 m » a été retenu, en partant du principe qu’au-delà de 100 m, les écoles ne sont quasiment plus perçues ;

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 68

- Si un point de mesure se situe dans une rue calme, mais très proche d’une rue très fréquentée, le comportement acoustique mesuré tendra plutôt vers celui d’une rue fréquentée. Afin de prendre en compte ces rues, la notion d’horizon acoustique a été utilisée. Notamment utilisées dans le projet Cart_ASUR [Lavandier C., 2014], les zones d’horizon acoustique se construisent à partir de l’horizon visible de chaque point d’observation. Seules les sources qui sont directement perçues (sans réflexion sur les façades) sont considérées.

Pour chaque point de mesure, les distances aux rues présentant le plus gros trafic routier à moins de 25, 50 et respectivement 100 m ont été déterminées, en respectant l’horizon acoustique. On nommera ces rues « rues principales ». Il est à noter que certains points sont à plus de 25 m de la rue et que pour d’autres, la principale rue à moins de 25, 50 et 100 m est la même.

Les indicateurs morphologiques potentiellement intéressants sont listés dans le Tableau 26 :

Indicateur Description Unité Source

Distance plane Distance du point à la rue sur le plan m Plan Distance du point à la rue prenant en Distance réelle compte l'étage auquel a été réalisée m Plan la mesure Importance Classement IGN des rues Valeur de 1 à 5 DEVE/IGN Nombre de voies de circulation m DEVE/IGN Largeur de rue uniquement les voies de circulation Valeur DEVE/IGN Vitesse maximale autorisée km/h DEVE Trafic moyen jour véhicule/h DEVE Trafic moyen soir véhicule/h DEVE

Rue principale Rue à de moins 25, 50, m 100 Trafic moyen nuit véhicule/h DEVE

Nombre d'arbres Valeur DVD Surface de végétation divisée par Pourcentage surfacique de l'aire d'un disque de rayon 25, 50, % IGN végétation à moins de 100 m Toute activité (commerces, coiffeurs,

25, 50 et 25, et 50 100 m Activités Valeur APUR Dansun rayon de restaurants, boulangeries, …)

Passage de métro Métro aérien Booléen (0 ou 1) Plan

Distance du carrefour à feu m DVD/plan

le plus proche

Distance du carrefour le plus m DVD/plan

proche

Nombre de bars/brasseries à Valeur APUR

moins de 100 m

Nombre d'écoles primaires/maternelles à Valeur IGN

moins de 100 m

Tableau 26 : Résumé des indicateurs morphologiques issus des SIG retenus

Indicateurs additionnels disponibles à partir des cartes de bruit de la DEVE :

- Niveaux de bruit LDEN, Ljour, Lsoir, Lnuit en dB à chaque point de mesure et dans chaque rue principale à moins de 25, 50 et 100 m.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 69

5.3.2.3. Réduction du nombre de paramètres morphologiques

L’étude des corrélations existant entre ces 57 indicateurs morphologiques a permis de préciser la sélection, en éliminant certains indicateurs redondants. Certains groupes d’indicateurs sont très bien représentés par quelques-uns les composant. Par exemple, les niveaux sonores LDEN, Ljour, Lsoir, Lnuit sont très corrélés pour une même rue. Par ailleurs, certains indicateurs tels que la « largeur de rue » et le « nombre de voies » représentent la même chose. Pour l’établissement de classifications morphologiques, il conviendra d’utiliser l’un ou l’autre pour déterminer lequel est le plus pertinent, mais jamais les deux ensemble. La présence de métro est laissée de côté car elle ne concerne que deux points. Au final, 32 indicateurs sont retenus. Dans un souci opérationnel, les classifications morphologiques envisagées s’appuient sur un sous-ensemble de 3 à 5 indicateurs (il ne serait pas pertinent en effet de multiplier le nombre d’indicateurs si ceux-ci sont très corrélés ; en outre cela compliquerait la mise en œuvre de lé méthode proposée).

Le choix des indicateurs se présente ainsi :

- 1 indicateur parmi : Importance (25, 50, 100 m), Largeur de voie (25, 50, 100 m), Nombre de voies (25, 50, 100) ;

- 1 indicateur parmi : Nombre d’arbres (25, 50, 100 m), Pourcentage surfacique de végétation (25, 50, 100 m) ;

- 1 indicateur parmi : Vitesse maximale autorisée et trafic moyen journalier (jour+soir+nuit) (25 m) ;

- 1 indicateur parmi : Vitesse maximale autorisée et trafic moyen journalier (jour+soir+nuit) (50 m) ;

- 1 indicateur parmi : Vitesse maximale autorisée et trafic moyen journalier (jour+soir+nuit) (100 m) ;

- 2 indicateur parmi : Activités (25, 50, 100 m), Nombre de bars/brasseries (100 m), Nombre d’écoles primaires/maternelles (100 m) ;

- 1 indicateur parmi : Distance au carrefour le plus proche, Distance au carrefour à feux le plus proche ;

- 1 indicateur parmi : Niveaux Jour/Soir/Nuit moyens (LDEN à 25, 50, 100 m) ;

- Niveau Jour/Soir/Nuit au point (LDEN).

9 indicateurs morphologiques parmi 32 sont ainsi sélectionnés. Parmi les 25 920 combinaisons possibles de 9 indicateurs parmi 32 (selon la méthode de sélection ci-dessus), la combinaison exhaustive de triplets, de quadruplets et de quintuplés d’indicateurs morphologiques sont considérées pour établir les classifications. Toutes les classifications possibles issues de 3, 4 ou 5 indicateurs sont ensuite comparées avec la classification acoustique de référence, afin d’extraire les indicateurs morphologiques qui discriminent le mieux l’espace du point de vue acoustique (Figure 56).

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 70

Figure 56 : Schéma résumant le choix des indicateurs

5.3.2.4. Comparaison entre classifications morphologiques et de référence

La comparaison entre les différentes classifications morphologiques possibles et la classification dite « de référence » issue des indicateurs acoustiques choisis a pour but de mettre en évidence les indicateurs morphologiques générant une classification proche de celle de référence.

Pour un choix de 5 classes, la plus grande similarité entre les deux classifications est de 18 (sur 23 points). Elle est atteinte pour la classification morphologique issue de ces quatre indicateurs : - Nombre de voies (rue principale < 25 m) ; - Pourcentage surfacique de végétation (dans un rayon de 50 m) ; - Trafic moyen horaire (jour, soir, nuit) (rue principale < 25 m) ; - Niveau de bruit LDEN au niveau de la rue principale > 50 m.

Une première analyse montre que, sans surprise, les indicateurs de morphologie liés au trafic prennent une forte importance, dans la mesure où ils sont significatifs de niveaux de bruit élevés (la Figure 55 montre l’importance du LA,50 dans la classification acoustique). Néanmoins, l’indicateur « pourcentage de végétation » apparait également, vraisemblablement car cet élément est typiquement associé à des sources de bruit bio-phoniques (oiseaux, etc.) qui impactent notamment le centre de gravité spectral. Une prochaine étape du travail consistera à analyser plus en détails les classes formées.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 71

En effet, obtenir des classes similaires pour 18 points (de 23) confirme qu’il existe des liens forts entre la morphologie de la ville et les indicateurs acoustiques. Une analyse avancée des liens et des différences doit maintenant être réalisée. De plus, déterminer l’importance de chaque indicateur morphologique dans la classification des points (de même qu’il en a été pour la classification de référence via les projections) permettra sûrement d’expliquer la classification.

5.3.3. Comparaison des deux classifications proposées

Il est assez remarquable qu’avec deux approches tout à fait différentes, nous retrouvions 5 classes qui caractérisent les différentes ambiances sonores de ce quartier parisien. L’étude de l’Ifsttar s’est basée sur les mesures de jours, tandis que les travaux de Gand se sont intéressés à toutes les périodes de la journée c’est-à-dire, le jour, la soirée et la nuit. Ces classifications ont donc été poursuivies sur les données temporelles.

5.4. Production des cartes sonores (T3.3)

La tâche T3.3 s’appuie sur les mesures mobiles et les mesures fixes réalisées dans le cadre du projet, pour proposer deux modèles d’interpolation. L’analyse des données des 23 stations fixes a permis la construction d’un modèle d’interpolation temporelle, et les mesures mobiles ont servi à construire un modèle d’interpolation spatiale. La combinaison des deux modèles permet la production de cartes de bruit avec une bonne finesse spatiale et temporelle à l’échelle du quartier.

5.4.1. Expérimentation

La Figure 57 présente la zone d'étude, qui correspond au 13ème arrondissement de Paris. Le détail de l’expérimentation est décrit dans les sections précédentes du rapport. Ce quartier comprend une grande variété d'environnements sonores urbains: grandes avenues à forte densité de trafic, rues animées avec bars et restaurants, écoles, petits et grands parcs, rues tranquilles. La taille de la zone d'étude est d'environ 2,8 km² avec une étendue maximale de 2 km d’ouest en est et une étendue maximum de 1,7 km du nord au sud.

Sont décrits ci-dessous les spécificités de l’expérimentation et les traitements nécessaires pour les interpolations spatiales et temporelles.

5.4.1.1. Stations mobiles

L’interpolation spatiale des mesures nécessite une étape d’agrégation supplémentaire de toutes les mesures dans un rayon r sur les segments routiers (représentés par leur point central), associant ainsi une valeur de niveau sonore représentative à chaque segment de route. Le niveau sonore médian résultant en dB (A) (LA50) a été choisi dans cette étude comme indicateur agrégé. Cet indicateur, bien corrélé à la force sonore perçue de l'environnement sonore urbain (r = 0,78), présente également l'avantage d'être moins sensible que l’indicateur LAeq aux pics de bruit dus aux événements sonores générés exceptionnellement par les opérateurs lors des mesures.

La variation de niveaux de bruit au sein de chaque segment routier due au nombre limité de mesures, doit être significativement plus petite que les variations globales des niveaux de bruit sur l’ensemble des segments routiers de la zone d’étude. En utilisant une méthode bootstrap, il a été estimé que si l’on considère comme acceptable un écart-type de 1 dB(A), cela nécessite un rayon minimum d’agrégation de 25 mètres, et un échantillon composé au minimum de 180 secondes de mesure. Ces seuils garantissent d’avoir assez de données pour réaliser l’analyse spatiale (4360 segments routiers). Dans cette étude, on décide de ne pas inclure la variance due à la métrologie et à la variabilité des niveaux de bruit. La Figure 57 présente la carte de référence résultante des niveaux sonores (퐿̂A50,[10-12h,14-16h]). La longueur moyenne de chaque segment de route est d'environ 9,5 mètres.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 72

Figure 57 : Carte de 푳̂ A50,[10-12h,14-16h] de référence, et position des 23 stations fixes (étoiles).

Si l’on veut être plus proche encore de la perception sonore, il est possible de s’intéresser à cet indicateur calculé uniquement sur la fréquence 1kHz, car celui-ci est mieux corrélé à la notion de force sonore perçue (r = 0,85) que le LA50 (r = 0,78). Il est alors possible de transformer la carte des L50,1kHz en une carte dédiée à l’intensité sonore sur une échelle perceptive de 1 à 10 (Figure 58).

Figure 58 : Carte d’intensité sonore calculée à partir des L50,1kHz mesurées par les stations mobiles.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 73

Avec la même correspondance entre les grandeurs physiques et les dimensions perceptives intervenant dans la qualité de l’environnement sonore, il est possible de proposer des cartes dédiées aux trois types de sources pertinentes : trafic (Figure 59), oiseaux (Figure 60) et voix (Figure 61).

Figure 59 : Carte de temps de présence du trafic routier à partir de la mesure des L50,1kHz

Figure 60 : Carte de temps de présence des oiseaux à partir de la mesure des TFSD,4kHz

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 74

Figure 61: Carte de temps de présence des voix à partir de la mesure des TFSD, 500Hz

Il est à noter que la modélisation des voix est peu pertinente car la corrélation de l’indicateur TFSD, 500Hz n’est que de 0,53. Il faudrait poursuivre le travail sur la caractérisation des voix afin de mieux anticiper la présence humaine à partir des mesures acoustiques. Il faudra certainement passer par d’autres approches telles que l’identification des sources par réseaux de neurones et apprentissage.

La modélisation des oiseaux par l’indicateur TFSD, 4kHz semble être plus pertinente (r = 0,76) mais cela n’empêche pas de faire des erreurs en sur-dimensionnant la présence des oiseaux au niveau du rond-point, probablement en prenant en compte dans cet indicateur les bruits de freinage des voitures.

Grâce à ces trois types de sources modélisées, il est possible de représenter l’agrément sonore en tout point de la carte, modélisé par l’équation 6 du § 5.1.1.2 :

푃 = ⁡16.54 − 0.25 ∗ 퐿50,1k퐻푧 + 19.0 ∗ 푇퐹푆퐷mean,500퐻푧 + 11.5 ∗ 푇퐹푆퐷mean,4푘퐻푧

Figure 62: Carte d’agrément sonore construite sur les mesures des stations mobiles.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 75

5.4.1.2. Stations fixes

Pour la suite des travaux, nous reprendrons la valeur du LA50 comme valeur de référence, car elle est plus souvent utilisée par les ingénieurs et acousticiens traitant des problèmes de l’environnement sonore. La collecte des données de bruit a été effectuée à l'aide de 23 stations de surveillance à long terme, pendant 8 mois, d'environ juillet 2014 à février 2015. Les stations couvrent différentes configurations morphologiques et routières, avec des volumes de trafic faibles à élevés, des rues piétonnes et des points près des parcs. La Figure 57 présente l'emplacement des 23 stations. Les séries chronologiques LAeq,1s obtenues permettent de calculer une large gamme d'indicateurs dérivés. L'indicateur de base sélectionné pour cette étude est l'évolution de LA50,1h.

5.4.2. Interpolation temporelle

5.4.2.1. Analyse statistique

L'objectif de l'interpolation temporelle est de déduire des mesures à court terme une estimation des indicateurs de bruit à long terme. Sur la base des travaux précédents [Can et al. 2011, Gerarghty et al. 2016], nous nous concentrons sur la répétabilité quotidienne des niveaux sonores. Un diagramme de bruit moyen quotidien DANPi,s est calculé à chaque station fixe s, où i représente le jour de la semaine, i = {mf; sat, sun}. Trois jours typiques de la semaine sont considérés: "Lundi à vendredi" (mf), "Samedi" (sat) et "Dimanche" (sun), qui ont des variations de niveaux de bruit différentes. Le L50,jour est calculé en plus comme indicateur à représenter : il est dérivé du DANP estimé, et correspond simplement à la moyenne arithmétique des valeurs de 퐿̂A50 qui forment le DANP, pour la période [6-18h]. Ce sont les indicateurs ciblés que l'on souhaite estimer localement, puis interpoler dans l'espace. L'analyse temporelle présentée se concentre sur les valeurs de 퐿̂퐴50,[1ℎ] . L’objectif est de déduire des mesures effectuées à une période donnée une estimation des valeurs de LA50 pour toute autre période d'intérêt. Cette section met en évidence les caractéristiques temporelles des niveaux sonores. Plus précisément, une analyse statistique des 8 mois de données collectées dans les 23 stations est réalisée, dans le but de souligner les spécificités des environnements sonores urbains qui doivent être prises en compte pour l'interpolation temporelle des niveaux sonores.

La Figure 63 (a) représente le DANP aux 23 stations, mettant en évidence la large gamme de niveaux sonores dans la zone, avec une amplitude de 20 dB (A) entre le point le plus bruyant et le point plus silencieux. Cela montre la grande variété des environnements sonores urbains rencontrés, même à petite échelle spatiale. Malgré cette large gamme de niveaux sonores, les DANP sont très corrélés, ce qui suggère la possibilité de dissocier les interpolations temporelles et spatiales dans la modélisation. Dans notre ensemble de données, quatre classes de stations semblent émerger. Un arbre hiérarchique qui utilise la méthode Ward est ainsi réalisé. Le regroupement hiérarchique forme les classes illustrées par le dendrogramme de la Figure 63 (b). Les stations dans chacune des 4 classes partagent des valeurs de niveau sonore, et des dynamiques temporelles similaires. Les classes formées sont pour le moment restreintes à cette étude expérimentale, mais les classes et les modèles peuvent facilement être généralisés par des mesures dans d'autres villes, et dans des contextes urbains. Notons enfin l'évolution du niveau sonore spécifique au point P2, qui est classé dans la classe 2, mais est mal corrélé aux autres profils de niveau sonore de la classe. Cette mauvaise corrélation, qui explique pourquoi la station P2 constitue sa propre sous-classe dans le dendrogramme, est causée par les niveaux sonores élevés le soir à cet endroit, qui se trouve à « La Butte aux Cailles », une rue avec de nombreux bars et restaurants.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 76

(a) (b) Figure 63 : (a) Dendrogramme des 23 stations: la classification distingue 4 classes. (b) DANP des 4 classes et des 23 stations (en pointillés).

5.4.2.2. Interpolation

La répétabilité du DANP à chaque station de surveillance suggère la possibilité d'estimer les DANPi,s en fonction des échantillonnages de quelques valeurs de LA50,[h1-h2] à s, en supposant qu'une mesure réalisée par exemple pendant la période [11-12h] informe sur les niveaux sonores qui peuvent être attendus pendant la période [16-17h]. Par conséquent, 9 matrices δi1,i2 sont déterminées pour chacune des 4 classes, avec i1 et i2={mf,sat,sun}, et chacun de ses éléments δi1,i2(h1,h2) contenant la valeur delta estimée

δ𝑖1,𝑖2⁡(ℎ1, ℎ2) = 퐿 A50,h1,i1- 퐿 A50,h2,i2, avec hi une période élémentaire. En outre, ces matrices delta sont associées à une incertitude donnée, en supposant qu'une valeur LA50 collectée par exemple entre le lundi et le vendredi pendant la période [10-11h] indique plus sur les niveaux sonores d'un jour du lundi au vendredi à [9-10h], que le dimanche pendant la période [15-16h]. Pour tenir compte de cette incertitude, chacune des neuf matrices δi1,i2 est associée à une matrice σi1,i2 qui représente l'écart type associé aux valeurs δ. Dans cette étude, les matrices δ et σ correspondent respectivement aux différences et aux écarts types des différences dans les valeurs 퐿̂50,ℎ1,𝑖1 −⁡퐿̂50,ℎ2,𝑖2 , calculées parmi les 8 mois de données, pour les

échantillons de couples {i1, h1} et {i2, h2}.

Étant donné que cette étude est limitée aux mesures obtenues pendant les périodes [10-12h; 14-16h] du lundi au vendredi, où les niveaux sonores sont plutôt stables, les valeurs delta sont limitées à i = {mf}, et seule une période [10-12h; 14-16h] est considérée. Les matrices δ et σ obtenues pour les 4 classes sont illustrées à la Figure 64. La figure montre que les valeurs δ sont négatives pour presque toutes les périodes, puisque la période [10-12h; 14-16h] correspond aux heures bruyantes de la journée. En outre, les valeurs δ varient d'une classe à l'autre, à la fois au niveau des valeurs globales et des amplitudes. Par exemple, l'amplitude de bruit entre la nuit et le jour est plus faible pour les stations de bruit les plus bruyantes. Les matrices d'écart type expriment la confiance dans les données interpolées temporellement, ce qui servira à déterminer la confiance globale dans les cartes de niveau sonore produites. Les écarts types calculés en moyenne sur le modèle évoluent entre 1,2 et 1,5 dB pour les classes 1, 3 et 4 (voir la Figure 64). Les écarts types sont plus élevés pour la classe 2, principalement en raison des niveaux sonores élevés du soir à la station P2. Enfin, les écarts-types augmentent pour les périodes nocturnes : comme prévu, les mesures réalisées au cours des périodes [10-12h; 14-16h] donnent une confiance moindre quant aux niveaux de bruit de nuit, que les niveaux de bruit journaliers. Ces faibles écarts types proviennent des corrélations élevées entre les profils de bruit dans chaque classe.

Ensuite, les matrices δ peuvent ensuite être utilisées sur les campagnes de mesure mobiles, comme décrit précédemment, pour estimer les DANP à n'importe quel endroit, même si toutes les périodes ne sont pas couvertes par des mesures. Nous nous concentrons dans cette étude sur les matrices δ pour la période

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 77

[10h-12h; 14h-16h], mais les mêmes interpolations pourraient être proposées pour les mesures effectuées à différents moments de la journée.

En pratique, l'interpolation temporelle suit les étapes suivantes. Tout d'abord, la classe à laquelle appartient le point est définie en fonction des mesures mobiles. La distance à chaque classe est calculée comme la différence dans les valeurs de LA50 entre les mesures et le DANP à la même période. La plus petite distance définit la classe. Par exemple, les valeurs de LA50 d'environ 70 dB (A) mesurées dans la période [10-11h] classeront le point dans la classe 4 (en vert sur la Figure 64). Ensuite, la matrice δ de la classe correspondante est utilisée pour définir le DANP au point, associé à l'écart type σtemporel (les verts de la Figure 64 dans l'exemple donné). Enfin, un indicateur global en tant que L50,jour avec son incertitude associée, peut être calculé.

Figure 64 : Exemple de valeurs δi1,i2 (h1, h2) avec h1=[10-12h,14-16h] et h2 correspondant aux 72 périodes de 1h.

5.4.3. Interpolation spatiale

5.4.3.1. Analyse statistique

Une analyse statistique spatiale est effectuée sur les données recueillies par les stations mobiles. L'objectif est d'étudier le potentiel de la méthode pour une interpolation spatiale des mesures acoustiques, et les paramètres optimaux d’une telle interpolation.

Les algorithmes de variogramme et de Krigeage présentés dans cette étude sont calculés en utilisant les fonctions variog (calcul du variogramme), variofit (meilleur ajustement du variogramme) et krige.conv (fonction Kriging) du paquet GeoR (https://rdrr.io/cran/geoR/). Le variogramme est calculé sur une distance de 1000 mètres avec un estimateur de module. Le modèle Matérn est utilisé pour calculer le meilleur ajustement pour le variogramme.

Deux méthodes de Krigeage sont comparées : Krigeage ordinaire (OK) et Krigeage universel (UK). Le Krigeage Universel est une variante du Krigeage Ordinaire qui inclut une tendance locale. Dans cette étude,

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 78

une tendance linéaire est définie à partir de quatre variables. Les quatre variables sont définies comme la distance entre le segment routier ciblé et la route la plus proche qui appartient à l'une des quatre catégories. Les catégories de routes ont été définies à partir des attributs OpenStreetMap, comme le montre la Figure 65.

Figure 65 : Catégories de routes (4 couleurs) basées sur les données OpenStreetMap.

La dépendance spatiale des données est mise en évidence par le calcul des variogrammes, qui expriment la demi-variance entre les valeurs de LA50 pour un couple d'emplacements en fonction de leur distance. Sur la Figure 66, deux variogrammes ajustés de la carte sonore de référence sont présentés, qui correspondent à (a) un variogramme ordinaire (OK), (b) un variogramme universel qui explique la tendance (UK).

Figure 66 : Variogrammes empiriques (points) et meilleurs paramètres du modèle (ligne rouge) obtenus en utilisant le Krigeage Ordinaire (OK) ou le Krigeage Universel (UK) (distances en mètres, et semi-variances en dB(A).

Les paramètres des modèles de covariance les mieux adaptés sont présentés dans le Tableau 27. Les gammes utiles en pratique pour les variogrammes, définies comme la valeur pour laquelle la fonction de corrélation décroit à 5% de sa valeur à 0, sont (a) 312 m pour OK (b) 182 m pour UK. Ainsi, aucune information n'est donnée par une observation à une valeur estimée située à une distance supérieure à environ 250 m, sauf par la tendance de la méthode UK. La semi-variance à 1000 mètres est d'environ 25 dB pour la méthode OK et environ 10 dB pour la méthode UK. Ainsi, l'ajout de la tendance permet de réduire de manière significative la semi-variance des variogrammes et illustre la forte corrélation entre les

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 79

niveaux sonores urbains et la proximité des différents types de routes. Pour conclure, le Kriging universel devrait être la méthode préférée pour interpoler les valeurs de LA50.

Tableau 27 : Paramètres des méthodes de Krigeage Kriging method Covariance model τ σ φ OK Matérn with fixed κ = 0.5 0.0 24.3 104.2 UK Matérn with fixed κ = 0.5 0.0 11.57 60.9

5.4.3.2. Interpolation

Les paramètres de Krigeage optimisés (voir Tableau 27) peuvent être utilisés pour interpoler les mesures LA50, [10-12h, 14-16h] sur le domaine. La variance associée σspatial calculée par l'algorithme de Krigeage informe sur l'incertitude associée aux valeurs estimées.

5.4.4. Application à une campagne de mesures participative

5.4.4.1. Méthode

Une campagne participative est simulée à partir de l'ensemble de données. Douze petites zones ont été sélectionnées comme si des valeurs de 퐿̂ A50,[10-12,14-16h] étaient disponibles seulement pour ces zones, à partir de mesures mobiles. La Figure 67 présente la méthode étape par étape pour interpoler dans l'espace et le temps les observations. La méthode peut être divisée en 5 étapes, allant des mesures de Leq,1s jusqu’à la représentation du LA50, jour sur la carte. Pour l'interpolation spatiale, la méthode de Krigeage Universel avec les paramètres extraits de la section précédente, est utilisée. Le calcul du 퐿̂A50,day est effectué sur la base des matrices δ calculées à partir de l'analyse statistique. Fait intéressant, la méthode globale présentée dans cet article donne une idée de la variance associée à chaque étape d'interpolation. En outre, la variance due à l'interpolation spatiale peut être combinée avec la variance due à l'interpolation temporelle pour avoir des informations sur le niveau de confiance de la valeur estimée finale telle que présentée, par exemple, dans le Tableau 28.

Douzes zones incluant plus de180 mesures Leq, 1s par segment routier (r=25 m) sont sélectionnées pour simuler une campagne de mesure participative.

Aggrégation des Leq,1s mesurés durant la campagne de mesure ̂ participative, en un indicateur par segment routier: 퐿A50,[10-12h, 14-16h]

̂ Interpolation spatiale des 퐿50,[10-12h, 14-16h] sur tout le domaine d'étude, utilisant la méthode de Krigeage Universel et les paramètres optimisés.

Calcul du Profil de bruit moyen journalier (DANP) et de ̂ ̂ l'indicateur global 퐿50,day à partir du 퐿50,[10-12h, 14-16h] Sselon la méthode présenté.

̂ Représentation de l'indicateur final 퐿50,day sur tout le domaine d'étude.

Figure 67 : Méthode pas-à-pas pour produire la carte de bruit finale à partir des mesures LAeq,1s.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 80

5.4.4.2. Représentation visuelle

La Figure 68 montre une représentation des résultats. Les points noirs représentent les segments routiers sélectionnés pour lesquels des observations étaient supposées disponibles. Sur la carte, les valeurs du niveau sonore sont associées à une couleur, comme cela se fait habituellement dans les cartes de bruit standard. La taille des points représente la confiance dans les mesures et est associée à leur variance estimée. Le niveau de confiance est défini comme présenté dans le Tableau 28. Enfin, la partie droite de la figure représente la variation du niveau sonore du diagramme de bruit moyen quotidien estimé statistiquement. Le niveau de confiance est représenté par la taille des cercles colorés. La combinaison des deux modèles explorés permet de produire une cartographie, à la fois spatiale et temporelle, des niveaux sonores dans le quartier. La représentation de l'incertitude donne des informations sur la qualité des valeurs indiquées, ce qui peut être utile, par exemple, pour déterminer les domaines qui doivent être mesurés en priorité.

Tableau 28 : Définition et représentation du niveau de confiance à partir de l’information sur la variance

2 2 Niveau de confiance √(σ푠푝푎푡𝑖푎푙 + σ푡푒푚푝표푟푒푙⁡) Taille des points 0/3 > 6 dB 0 mm 1/3 3 dB 0.5 mm 2/3 1.5 dB 1 mm 3/3 < 0.5 dB 1.5 mm

Notons que l'incertitude visualisée est celle due à la méthode d'interpolation. L'incertitude due aux variations du niveau sonore, ni aux erreurs métrologiques, ne sont pas considéré es, bien qu’elles puissent être importantes. Si elles sont connues, ces incertitudes pourraient être ajoutées ultérieurement, ou intégrées par une autre méthode de fusion de données.

(b) (a)

Figure 68 : (a) Carte de niveau sonore 푳̂ A50, day interpolée. La taille des points représente le niveau de confiance et les petits points noirs représentent la localisation des 푳̂ A50, [10-12h, 14-16h] disponibles à partir des mesures mobiles simulées. (b) Profil de bruit moyen journalier (DANP) estimé statistiquement à la localisation symbolisée par une étoile jaune, avec le niveau de confiance associé.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 81

5.4.4.3. Discussion

Une limitation de l'analyse temporelle consiste en l'ensemble limité de 23 environnements sonores observés à l'aide des stations de surveillance fixes. Le domaine de validité des modèles proposés est restreint à la variété des environnements sonores observés. Cependant, les similitudes entre les variations temporelles du niveau sonore sont probablement élevées entre les villes, ce qui permet d'utiliser à priori l'ensemble de données pour d'autres villes. Les comparaisons entre les campagnes de mesure dans diverses villes sont néanmoins nécessaires pour tester cette hypothèse. En outre, la base de données constituée doit être enrichie à l'avenir avec toute nouvelle mesure à long terme associée à l'analyse statistique proposée, y compris les mesures recueillies dans d'autres villes. On s'attend à ce que les stations de surveillance à des endroits présentant des morpholo gies ou des situations de circulation similaires, mais de différentes villes, se révèlent utiles pour appliquer la méthodologie proposée à de nouveaux lieux.

En outre, l'analyse temporelle ne tient pas compte des erreurs métrologiques et des erreurs liées à la brièveté des échantillons. Les résultats de la littérature montrent qu'une période de 10 -15 min de mesures est suffisante pour représenter une période homogène pour décrire les environnements sonores. Cependant, d'autres analyses sont nécessaires pour étendre ces résultats à plusieurs quantités de 1 à 3 minutes, comme le prévoit notre configuration expérimentale. En outre, il faut ajouter à cette incertitude la variabilité due à la valeur L50,[x] d'un jour à l'autre. Par exemple, dans notre ensemble de données, le 퐿̂퐴50,[10−11ℎ] est la moyenne des valeurs de LA50,[10-11h] avec un écart type de 3 dB (A).

De plus, la mesure de la similitude incluse dans le modèle pour classer nos données, qui repose simplement sur un calcul de la distance globale entre les observations de LA50 et le DANP classé, pourrait être basée sur des évaluations de similarité qui nécessitent des indicateurs de pertinence et de redondance. Des algorithmes spécifiques de détection des valeurs aberrantes pourraient être conçus pour exclure les valeurs de LA50 mesurées anormales. La difficulté réside alors dans la nécessité d'exclure les mesures par défaut, tout en capturant les spécificités de l'évolution du niveau de bruit (périodes avec des niveaux sonores atypiques). En outre, la classificat ion des lieux d'observation pourrait être effectuée grâce aux cartes de bruit réalisées antérieurement sur la zone d'étude.

Une limitation de la méthode spatiale est que la méthode de Krigeage utilisée n'associe pas un vecteur d'erreur aux observations. Par exemple, des incertitudes différentes devraient être associées aux valeurs de LA50 obtenues sur des mesures durant 10 minutes et 3 minutes. De la même manière, les erreurs métrologiques sont négligées dans cette étude mais devront à terme être intégrée s.

Le Krigeage Universel se révèle être une approche bien meilleure que le Kriging Ordinaire, étant donné que les informations préliminaires sur le réseau ont un impact très important sur les résultats, en divisant la variance résultante par un facteur 2. L'utilisation de résultats de simulations acoustiques antérieures pour assimiler aux mesures est probablement une bonne méthode pour avoir des cartes de niveau sonore fortement corrélées avec les observations in situ. Les méthodes d'assimilation utilisées dans la météorologie (par exemple 3D-Var) permettent de le faire, et de prendre en compte les erreurs d'observation. Enfin, comme proposé dans (Wei et al. 2016), une approche basée sur un modèle pourrait être utilisée, où les puissances des sources et les calculs d’atténuations sont corrigés par le modèle.

Enfin, les variations spatiales et temporelles sont totalement non corrélées dans ce projet GRAFIC, ce qui n'est probablement pas toujours le cas. Par exemple, les paramètres ajustés du variogramme pourraient être différents entre le jour et la nuit. Une campagne de mesure beaucoup plus vaste, intégrant des mesures mobiles nocturnes ou journalières, ou un réseau de stations fixes beaucoup plus dense, sont nécessaires pour étudier cette hypothèse.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 82

6. Bilan / Principaux résultats obtenus

Le projet GRAFIC s’est intéressé à la qualité sonore des environnements urbains ainsi qu’à la qualité sonore des trajets en ville.

D’un point de vue perceptif, les premiers tests in situ ont pu montrer que la perception de la qualité sonore d’un lieu ne dépend généralement pas du sens du parcours qui l’y amène, car les usagers des villes savent se poser et écouter leur environnement sonore en un lieu. Comme beaucoup d’autres études précédentes le montrent, cette qualité dépend de la force sonore globale du lieu mais aussi de la présence de différentes sources telles que les voix (traduisant la présence humaine), les oiseaux (traduisant la présence de la nature) et la circulation routière. Ce modèle perceptif permet d’expliquer 90% de la variance de la qualité sonore ressentie par les passants.

Par contre, il semble que la qualité sonore d’un parcours de faible distance dépende du sens du chemin suivi, cette qualité étant attirée par la qualité du point final du parcours. Pour des parcours de plus longue distance, ou pour des parcours complexes (avec différents passages d’événements) cet effet est moins prégnant. Il semble donc que la moyenne des agréments sonores qui composent un parcours permette de bien quantifier l’agrément sonore du parcours.

D’un point de vue physique, les modèles de perception de la qualité sonore s’appuient sur les grandeurs physiques qui caractérisent la qualité sonore des lieux. Ainsi le LA50, ou mieux le L50 pris uniquement à 1kHz, associé à d’autres indicateurs qui caractérisent la présence des oiseaux (TFSD4kHz) ou des voix (TFSD500Hz) permettent de caractériser la qualité sonore des lieux et des parcours. Ces indicateurs TFSD sont construits sur des descripteurs de dérivation temporelle et spectrale des énergies sonores. La mesure de ces indicateurs par les stations mobiles, qui ont collecté ces données en tous points du quartier, a permis de proposer des cartes perceptives, de qualité sonore bien sûr mais aussi de présence des différents types de sources (trafic, voix et oiseaux).

A partir du modèle de qualité sonore construit sur le LA50 et à l’aide d’un algorithme d’optimisation du meilleur chemin (algorithme Dijkstra implémenté dans le logiciel OrbisGis), une première version d’un outil a été proposée pour qu’un piéton puisse connaître non seulement le chemin le plus court, mais aussi le chemin le plus agréable d’un point de vue sonore.

Néanmoins, la différence du pouvoir descriptif entre le modèle physique (R²adj=0.73) et le modèle perceptif (R²adj=0.90) est notable et pourrait certainement être plus faible si les paramètres physiques étaient de meilleurs descripteurs des paramètres perceptifs. Ainsi des recherches approfondies sur l’identification des sources sonores à partir de mesures devraient particulièrement être poursuivies.

D’un point de vue prédictif, une anticipation des indicateurs précédents a été envisagée à partir du LAeq ou à partir du LA50 mesurés par les capteurs fixes. Pour anticiper correctement ces indicateurs, il faut connaître le type de lieu étudié. Il semble que les rues étudiées dans ce quartier de la ville de Paris se classent en 4 ou 5 types. Ces classes ont été recherchées par des approches assez éloignées mais les typologies proposées convergent toutes sur les mêmes interprétations (gros boulevards à circulation continue, rues à trafic moyen, petites rues à faible trafic et présence humaine, rues animées où les voix dominent). Ces types de rues et boulevards ont ainsi été caractérisés spatialement et temporellement.

Toujours d’un point de vue prédictif, il a été possible de proposer une méthode d’interpolation spatiale et temporelle qui permettra dans le futur, à partir de la connaissance de quelques données fixes (recueillies par exemple au cours de campagnes participatives) de recomposer le paysage sonore et d’en déduire sa qualité en tout point de la ville. Là encore, des cartes de qualité sonore ont été proposées, intégrant alors la notion de niveau de confiance des valeurs interpolées entre les mesures.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 83

Références bibliographiques

Axelsson O., Nilsson M. E., and Berglund B., “A principal components model of soundscape perception,” J. Acoust. Soc. Am., vol. 128, no. 5, p. 2836, Nov. 2010.

Barrigón Morillas J. M. et al., A categorization method applied to the study of urban road traffic noise, J. Acoust. Soc. Am. 117 (5), 2844-2852 (May 2005)

Björkman M., Community noise annoyance: Importance of noise levels and the number of noise events, Journal of Sound and Vibration- Volume 151, Issue 3, 22 December 1991, Pages 497–503

Boes M, Oldoni D, De Coensel B, Botteldooren D. A biologically inspired recurrent neural network for sound source recognition incorporating auditory attention. In Neural Networks (IJCNN), The 2013 International Joint Conference on 2013 Aug 4 (pp. 1-8). IEEE.

Botteldooren D, Andringa T, Aspuru I, Brown AL, Dubois D, Guastavino C, Kang J, Lavandier C, Nilsson M, Preis A, Schulte-Fortkamp11 B. From Sonic Environment to Soundscape. Soundscape and the Built Environment. 2015 Dec 2:17.

Brocolini L., Lavandier C., Quoy M., Ribeiro C., Measurements of acoustic environments for urban soundscapes : choice of homogeneous periods, orpimization of duration and selection of indicators, Journal of the Acoustical Society of America, Vol. 134(1), Pt.2, pp. 813-821, 2013.

Can A,, Leclercq L., Lelong J., Defrance J., Capturing urban traffic noise dynamics through relevant descriptors. Appl Acoust 2008;69(12):1270-80.

Can, A., Gauvreau, B., Describing and classifying urban sound environments with a relevant set of physical indicators, Journal of the Acoustical Society of America, 137 (1), January 2015, 208-218

Can A., Guillaume, Gauvreau B., Noise indicators to diagnose urban sound environments at multiple spatial scales, accepted for publication, Acta Acustica, 2015.

Can A., Van Renterghem T, Rademaker M, Dauwe S, Thomas P, De Baets B, et al., Sampling approaches to predict urban street noise levels using fixed and temporary microphones. J Environ Monit JEM. 2011 Oct;13(10):2710–9

De Coensel B., Botteldooren D., The quiet rural soundscape and how to characterize it. Acta Acust. Acust. 92(6):887-897 (2006)

GeoR: Analysis of Geostatistical Data version 1.7-5.2 from CRAN [Internet]. [cited 2017 May 30]. Available from: https://rdrr.io/cran/geoR/

Geraghty D, O’Mahony M. Investigating the temporal variability of noise in an urban environment. Int J Sustain Built Environ. 2016 Jun;5(1):34–45

Lavandier C., Bidault A., Chouard N., Viollon S., Auditory perception of road traffic noise. Proceedings of the 29th International congress and exhibition on noise control engineering. Nice, France; 2000. p. 2820-3.

Lavandier C., Représentations cartographique de la qualité des ambiances sonores urbaines : acceptabilité des cartes – Cart_ASUR, Rapport d’avancement – Juillet 2014, (juillet 2014)

Mietlicki F., Mietlicki C., Ribeiro C., Gaudibert P., Vincent B., and Gissinger V., www.noiseineu.eu: New tools to inform the public about environmental noise in cities and to assist decision-making. In Proceedings of Euronoise, Maastricht, The Netherlands (2015)

Nilsson M. E., “Soundscape quality in urban open spaces,” in Inter-Noise, 2007

Oldoni D, De Coensel B, Bockstael A, Boes M, De Baets B, Botteldooren D. The acoustic summary as a tool for representing urban sound environments. Landscape and Urban Planning. 2015 Dec 31;144:34-48.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 84

Ricciardi P., Delaitre P., Lavandier C., Torchia F., and Aumond P., “Sound quality indicators for urban places in Paris cross-validated by Milan data,” J. Ac. Soc. Am., vol. 138, no. 4, pp. 2337–2348, Oct. 2015.

Rychtarikova M., and Vermeir G., Soundscape categorization on the basis of objective acoustical parameters. Appl Acoust 2013; 74:240–47

Venkatesha Prasad R., Sangwan A., Jamadagni H. S., Chiranth M. C., Sah R., and Gaurav V., “Comparison of voice activity detection algorithms for VoIP,” in Proceedings ISCC 2002 Seventh International Symposium on Computers and Communications, 2002, pp. 530–535.

Wei W, Van Renterghem T, De Coensel B, Botteldooren D. Dynamic noise mapping: A map-based interpolation between noise measurements with high temporal resolution. Appl Acoust. 2016;101:127–40.

Cartographie fine et continue de la qualité sonore des lieux et des parcours dans l’espace urbain p. 85

L’ADEME EN BREF L'Agence de l'Environnement et de la Maîtrise de l'Énergie (ADEME) participe à la mise en œuvre des politiques publiques dans les domaines de l'environnement, de l'énergie et du développement durable. Elle met ses capacités d'expertise et de conseil à disposition des entreprises, des collectivités locales, des pouvoirs publics et du grand public, afin de leur permettre de progresser dans leur démarche environnementale. L’Agence aide en outre au financement de projets, de la recherche à la mise en œuvre et ce, dans les domaines suivants : la gestion des déchets, la préservation des sols, l'efficacité énergétique et les énergies renouvelables, les économies de matières premières, la qualité de l'air, la lutte contre le bruit, la transition vers l’économie circulaire et la lutte contre le gaspillage alimentaire.

L'ADEME est un établissement public sous la tutelle conjointe du ministère de la Transition Écologique et Solidaire et du ministère de l'Enseignement Supérieur, de la Recherche et de l'Innovation.

CARTOGRAPHIE FINE ET CONTINUE DE LA QUALITE SONORE DES LIEUX ET DES PARCOURS DANS L'ESPACE URBAIN

GRAFIC

Résumé :

Ce projet vise à proposer aux citadins une cartographie des bruits dans leur ville, qui soit fidèle à ceux mesurés dans les rues. Un jeu de 23 capteurs sonores fixes a été installé dans le 13ème arrondissement de Paris pendant un an. Des mesures mobiles ont été réalisées de manière à collecter des informations entre les points de mesures fixes. Les parcours mobiles ont couvert des trajets dont certains ont été aussi évalués perceptivement. La mise en relation des données perceptives recueillies lors de parcours et des mesures acoustiques, a permis de mieux comprendre les processus mis en jeu dans l’appréciation des environnements sonores.

La qualité sonore d’un lieu dépend de la force sonore globale du lieu mais aussi de la présence de différentes sources telles que les voix (traduisant la présence humaine), les oiseaux (traduisant la présence de la nature) et la circulation routière. La qualité sonore d’un parcours de plus de 5 minutes peut être estimée à partir de la moyenne des agréments sonores qui le composent. Certaines mesures acoustiques comme le L50 à 1kHz, associées à d’autres indicateurs qui caractérisent la présence des oiseaux ou des voix, permettent de caractériser la qualité sonore des lieux et des parcours. Une méthode d’interpolation spatiale et temporelle a été développée pour permettre dans le futur, à partir de la connaissance de quelques mesures géo- référencées, de recomposer le paysage sonore et d’en déduire sa qualité en tout point de la ville.